論文の概要: SemI2I: Semantically Consistent Image-to-Image Translation for Domain
Adaptation of Remote Sensing Data
- arxiv url: http://arxiv.org/abs/2002.05925v2
- Date: Fri, 21 Feb 2020 09:21:35 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-01 05:07:16.920396
- Title: SemI2I: Semantically Consistent Image-to-Image Translation for Domain
Adaptation of Remote Sensing Data
- Title(参考訳): SemI2I:リモートセンシングデータの領域適応のための連続した画像間変換
- Authors: Onur Tasar, S L Happy, Yuliya Tarabalka, Pierre Alliez
- Abstract要約: 本稿では,新たなデータ拡張手法を提案する。
我々のセマンティックセグメンテーションフレームワークは、まず実際のトレーニングデータからU-netをトレーニングし、次に提案手法によって生成されたテストスタイル化された偽のトレーニングデータに微調整する。
- 参考スコア(独自算出の注目度): 7.577893526158495
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Although convolutional neural networks have been proven to be an effective
tool to generate high quality maps from remote sensing images, their
performance significantly deteriorates when there exists a large domain shift
between training and test data. To address this issue, we propose a new data
augmentation approach that transfers the style of test data to training data
using generative adversarial networks. Our semantic segmentation framework
consists in first training a U-net from the real training data and then
fine-tuning it on the test stylized fake training data generated by the
proposed approach. Our experimental results prove that our framework
outperforms the existing domain adaptation methods.
- Abstract(参考訳): 畳み込みニューラルネットワークは、リモートセンシング画像から高品質な地図を生成する効果的なツールであることが証明されているが、トレーニングデータとテストデータの間に大きな領域シフトがある場合、その性能は著しく低下する。
この問題に対処するために,テストデータのスタイルを生成型adversarial networkを用いたトレーニングデータに転送する新しいデータ拡張手法を提案する。
我々のセマンティックセグメンテーションフレームワークは、まず実際のトレーニングデータからU-netをトレーニングし、次に提案手法によって生成されたテストスタイル化された偽のトレーニングデータに微調整する。
実験の結果,既存のドメイン適応手法よりも優れたフレームワークが得られた。
関連論文リスト
- Noisy Self-Training with Synthetic Queries for Dense Retrieval [49.49928764695172]
合成クエリと組み合わせた,ノイズの多い自己学習フレームワークを提案する。
実験結果から,本手法は既存手法よりも一貫した改善が得られた。
我々の手法はデータ効率が良く、競争のベースラインより優れています。
論文 参考訳(メタデータ) (2023-11-27T06:19:50Z) - Supervised Homography Learning with Realistic Dataset Generation [60.934401870005026]
生成フェーズとトレーニングフェーズの2つのフェーズからなる反復的なフレームワークを提案する。
生成段階では、ラベルのない画像対が与えられた場合、事前に推定された支配的な平面マスクとペアのホモグラフィを利用する。
トレーニングフェーズでは、生成されたデータを使用して、教師付きホモグラフィネットワークをトレーニングする。
論文 参考訳(メタデータ) (2023-07-28T07:03:18Z) - Unsupervised Domain Transfer with Conditional Invertible Neural Networks [83.90291882730925]
条件付き可逆ニューラルネットワーク(cINN)に基づくドメイン転送手法を提案する。
提案手法は本質的に,その可逆的アーキテクチャによるサイクル一貫性を保証し,ネットワークトレーニングを最大限効率的に行うことができる。
提案手法は,2つの下流分類タスクにおいて,現実的なスペクトルデータの生成を可能にし,その性能を向上する。
論文 参考訳(メタデータ) (2023-03-17T18:00:27Z) - RAIS: Robust and Accurate Interactive Segmentation via Continual
Learning [16.382862088005087]
本稿では,対話型セグメンテーションと継続的学習のための堅牢で正確なアーキテクチャであるRAISを提案する。
テストセットを効率的に学習するために,グローバルパラメータとローカルパラメータを更新するための新しい最適化手法を提案する。
また,リモートセンシングと医用画像のデータセットにおけるロバスト性も示す。
論文 参考訳(メタデータ) (2022-10-20T03:05:44Z) - Exploring Data Aggregation and Transformations to Generalize across
Visual Domains [0.0]
この論文は、ドメイン一般化(DG)、ドメイン適応(DA)およびそれらのバリエーションの研究に寄与する。
本稿では,機能集約戦略と視覚変換を利用するドメイン一般化とドメイン適応の新しいフレームワークを提案する。
提案手法が確立したDGおよびDAベンチマークにおいて,最先端の競争的アプローチよりも優れていることを示す。
論文 参考訳(メタデータ) (2021-08-20T14:58:14Z) - Learning to Segment Human Body Parts with Synthetically Trained Deep
Convolutional Networks [58.0240970093372]
本稿では,合成データのみを用いて学習した深部畳み込みニューラルネットワークに基づく人体部分分割のための新しい枠組みを提案する。
提案手法は,人体部品の実際の注釈付きデータを用いてモデルを訓練することなく,最先端の結果が得られる。
論文 参考訳(メタデータ) (2021-02-02T12:26:50Z) - On Robustness and Transferability of Convolutional Neural Networks [147.71743081671508]
現代の深層畳み込みネットワーク(CNN)は、分散シフトの下で一般化しないとしてしばしば批判される。
現代画像分類CNNにおける分布外と転送性能の相互作用を初めて検討した。
トレーニングセットとモデルサイズを増大させることで、分散シフトロバスト性が著しく向上することがわかった。
論文 参考訳(メタデータ) (2020-07-16T18:39:04Z) - Adversarially-Trained Deep Nets Transfer Better: Illustration on Image
Classification [53.735029033681435]
トランスファーラーニングは、訓練済みのディープニューラルネットワークを画像認識タスクに新しいドメインに適用するための強力な方法論である。
本研究では,非逆学習モデルよりも逆学習モデルの方が優れていることを示す。
論文 参考訳(メタデータ) (2020-07-11T22:48:42Z) - Domain Adaptive Transfer Attack (DATA)-based Segmentation Networks for
Building Extraction from Aerial Images [3.786567767772753]
本稿では,航空画像から抽出するドメイン適応トランスファー攻撃方式に基づくセグメンテーションネットワークを提案する。
提案システムは,ドメイン転送と敵攻撃の概念を組み合わせたシステムである。
3つの異なるデータセットに対して、データセット間の実験とアブレーション実験を行った。
論文 参考訳(メタデータ) (2020-04-11T06:17:13Z) - The Utility of Feature Reuse: Transfer Learning in Data-Starved Regimes [6.419457653976053]
データ・スターベド・レシエーションを持つドメインに対する転送学習のユースケースについて述べる。
畳み込み特徴抽出と微調整の有効性を評価する。
我々はトランスファーラーニングがCNNアーキテクチャの性能を向上させることを結論付けている。
論文 参考訳(メタデータ) (2020-02-29T18:48:58Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。