論文の概要: Climate Adaptation: Reliably Predicting from Imbalanced Satellite Data

• arxiv url: http://arxiv.org/abs/2004.12344v1
• Date: Sun, 26 Apr 2020 10:41:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-09 13:09:08.069985
• Title: Climate Adaptation: Reliably Predicting from Imbalanced Satellite Data
• Title（参考訳）: 気候適応:不均衡衛星データから確実に予測する
• Authors: Ruchit Rawal, Prabhu Pradhan
• Abstract要約: 多様な手法を用いてマイノリティクラスの性能を最大化する手法を提案する。 モデルの信頼性を高め、学際的な取り組みを拡大したいと考えています。
• 参考スコア（独自算出の注目度）: 6.09170287691728
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The utility of aerial imagery (Satellite, Drones) has become an invaluable information source for cross-disciplinary applications, especially for crisis management. Most of the mapping and tracking efforts are manual which is resource-intensive and often lead to delivery delays. Deep Learning methods have boosted the capacity of relief efforts via recognition, detection, and are now being used for non-trivial applications. However the data commonly available is highly imbalanced (similar to other real-life applications) which severely hampers the neural network's capabilities, this reduces robustness and trust. We give an overview on different kinds of techniques being used for handling such extreme settings and present solutions aimed at maximizing performance on minority classes using a diverse set of methods (ranging from architectural tuning to augmentation) which as a combination generalizes for all minority classes. We hope to amplify cross-disciplinary efforts by enhancing model reliability.
• Abstract（参考訳）: 航空画像(衛星、ドローン)の有用性は、特に危機管理のための分野横断的応用のための貴重な情報源となっている。 マッピングとトラッキングの取り組みの大部分は手作業で、リソース集約であり、デリバリの遅延につながることが多い。 ディープラーニング手法は、認識、検出を通じて救援活動の能力を高め、非自明なアプリケーションに使われている。 しかし、一般的に利用できるデータは(他の現実のアプリケーションと同様)非常に不均衡であり、ニューラルネットワークの能力を著しく損なうため、堅牢性と信頼性が低下する。 本稿では,このような極端な設定を扱うために使用される様々な手法の概要と,その組み合わせとしてすべてのマイノリティクラスに一般化する多種多様な手法(アーキテクチャチューニングから拡張まで)を用いて,マイノリティクラスのパフォーマンスを最大化するソリューションを提案する。 モデルの信頼性を高め、学際的な取り組みを拡大したいと考えています。

関連論文リスト

• Quantized Prompt for Efficient Generalization of Vision-Language Models [27.98205540768322]
  CLIPのような大規模事前学習型視覚言語モデルは、様々な分野で大きな成功を収めている。 下流への適応の間、最も難しい問題は過度に適合し、破滅的な忘れ物である。 本稿では,視覚言語モデルを正規化するための量子化について検討する。
  論文  参考訳（メタデータ） (2024-07-15T13:19:56Z)
• Segue: Side-information Guided Generative Unlearnable Examples for Facial Privacy Protection in Real World [64.4289385463226]
  生成不可能な例としては、Segue: Side-information guided Generative unlearnable Exampleを提案する。 転送性を向上させるために,真のラベルや擬似ラベルなどの側面情報を導入する。 JPEG圧縮、敵対的トレーニング、およびいくつかの標準的なデータ拡張に抵抗することができる。
  論文  参考訳（メタデータ） (2023-10-24T06:22:37Z)
• Sample Less, Learn More: Efficient Action Recognition via Frame Feature Restoration [59.6021678234829]
  本稿では,2つのスパースサンプリングおよび隣接するビデオフレームの中間特徴を復元する新しい手法を提案する。 提案手法の統合により, 一般的な3つのベースラインの効率は50%以上向上し, 認識精度は0.5%低下した。
  論文  参考訳（メタデータ） (2023-07-27T13:52:42Z)
• Enhancing Multiple Reliability Measures via Nuisance-extended Information Bottleneck [77.37409441129995]
  トレーニングデータに制限がある現実的なシナリオでは、データ内の多くの予測信号は、データ取得のバイアスからより多く得る。 我々は,相互情報制約の下で,より広い範囲の摂動をカバーできる敵の脅威モデルを考える。 そこで本研究では,その目的を実現するためのオートエンコーダベーストレーニングと,提案したハイブリッド識別世代学習を促進するための実用的なエンコーダ設計を提案する。
  論文  参考訳（メタデータ） (2023-03-24T16:03:21Z)
• High Efficiency Pedestrian Crossing Prediction [0.0]
  歩行者の横断意図を予測する最先端の手法は、入力として複数の情報ストリームに依存することが多い。 入力には歩行者のフレームのみのネットワークを導入する。 実験は、我々のモデルが常に優れたパフォーマンスを提供することを検証します。
  論文  参考訳（メタデータ） (2022-04-04T21:37:57Z)
• IQ-Learn: Inverse soft-Q Learning for Imitation [95.06031307730245]
  少数の専門家データからの模倣学習は、複雑な力学を持つ高次元環境では困難である。 行動クローニングは、実装の単純さと安定した収束性のために広く使われている単純な方法である。 本稿では,1つのQ-関数を学習することで,対向学習を回避する動的適応型ILを提案する。
  論文  参考訳（メタデータ） (2021-06-23T03:43:10Z)
• EmergencyNet: Efficient Aerial Image Classification for Drone-Based Emergency Monitoring Using Atrous Convolutional Feature Fusion [8.634988828030245]
  本稿では,緊急対応・監視用uavの航空機画像の効率的な分類について述べる。 緊急対応アプリケーションのための専用空中画像データベースを導入し、既存のアプローチの比較分析を行う。 マルチレゾリューション機能を処理するために,アトラス畳み込みに基づく軽量畳み込みニューラルネットワークアーキテクチャが提案されている。
  論文  参考訳（メタデータ） (2021-04-28T20:24:10Z)
• Weakly-Supervised Domain Adaptation of Deep Regression Trackers via Reinforced Knowledge Distillation [27.00282405409842]
  このようなトラッカーのクラスをドメイン適応するための最初の方法論を示す。 本研究では,強化学習を弱監督の表現に用いる,弱監督型適応戦略を提案する。 5つの異なるロボットビジョン領域の実験は、我々の方法論の妥当性を実証している。
  論文  参考訳（メタデータ） (2021-03-26T14:37:33Z)
• Adversarial Imitation Learning with Trajectorial Augmentation and Correction [61.924411952657756]
  本稿では,拡張軌道の成功を保った新しい拡張手法を提案する。 我々は, 合成専門家を用いた模倣エージェントの訓練を行うために, 逆データ拡張模倣アーキテクチャを開発した。 実験により,我々のデータ拡張戦略は,敵対的模倣の精度と収束時間を向上できることが示された。
  論文  参考訳（メタデータ） (2021-03-25T14:49:32Z)
• Accurate and Robust Feature Importance Estimation under Distribution Shifts [49.58991359544005]
  PRoFILEは、新しい特徴重要度推定法である。 忠実さと頑健さの両面で、最先端のアプローチよりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2020-09-30T05:29:01Z)

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。