論文の概要: Meta-Learning for Few-Shot Land Cover Classification

• arxiv url: http://arxiv.org/abs/2004.13390v1
• Date: Tue, 28 Apr 2020 09:42:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-08 22:14:31.799958
• Title: Meta-Learning for Few-Shot Land Cover Classification
• Title（参考訳）: 土地被覆分類のためのメタラーニング
• Authors: Marc Ru{\ss}wurm, Sherrie Wang, Marco K\"orner, David Lobell
• Abstract要約: 分類タスクとセグメンテーションタスクにおけるモデル非依存メタラーニング(MAML)アルゴリズムの評価を行った。 数発のモデル適応は,正規勾配降下による事前学習よりも優れていた。 これは、メタラーニングによるモデル最適化が地球科学におけるタスクの恩恵をもたらすことを示唆している。
• 参考スコア（独自算出の注目度）: 3.8529010979482123
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The representations of the Earth's surface vary from one geographic region to another. For instance, the appearance of urban areas differs between continents, and seasonality influences the appearance of vegetation. To capture the diversity within a single category, like as urban or vegetation, requires a large model capacity and, consequently, large datasets. In this work, we propose a different perspective and view this diversity as an inductive transfer learning problem where few data samples from one region allow a model to adapt to an unseen region. We evaluate the model-agnostic meta-learning (MAML) algorithm on classification and segmentation tasks using globally and regionally distributed datasets. We find that few-shot model adaptation outperforms pre-training with regular gradient descent and fine-tuning on (1) the Sen12MS dataset and (2) DeepGlobe data when the source domain and target domain differ. This indicates that model optimization with meta-learning may benefit tasks in the Earth sciences whose data show a high degree of diversity from region to region, while traditional gradient-based supervised learning remains suitable in the absence of a feature or label shift.
• Abstract（参考訳）: 地球の表面の表現は、ある地理的領域から別の領域まで様々である。 例えば、都市部の出現は大陸によって異なり、季節性は植生の出現に影響を与える。 都市や植生のような単一のカテゴリ内の多様性を捉えるには、大きなモデルキャパシティが必要であり、その結果、大きなデータセットが必要になる。 本研究では,この多様性を,ある領域からのデータサンプルが少ないため,モデルが目に見えない領域に適応できる帰納的移行学習問題とみなす。 グローバルおよび地域分布データセットを用いた分類・分節タスクにおけるモデル非依存メタラーニング(MAML)アルゴリズムの評価を行った。 その結果,(1)sen12msデータセットと(2)deepglobeデータでは,ソースドメインとターゲットドメインが異なる場合,事前学習と微調整を上回っていることがわかった。 これは、メタラーニングによるモデル最適化が、従来のグラデーションに基づく教師付き学習が特徴やラベルシフトの欠如に適しているのに対して、地域ごとに高い多様性を示すデータを持つ地球科学のタスクに役立つことを示している。

関連論文リスト

• SALUDA: Surface-based Automotive Lidar Unsupervised Domain Adaptation [62.889835139583965]
  我々は、ソースデータとターゲットデータに基づいて、暗黙の基盤となる表面表現を同時に学習する教師なし補助タスクを導入する。 両方のドメインが同じ遅延表現を共有しているため、モデルは2つのデータソース間の不一致を許容せざるを得ない。 実験の結果,本手法は実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-
  論文  参考訳（メタデータ） (2023-04-06T17:36:23Z)
• GeoNet: Benchmarking Unsupervised Adaptation across Geographies [71.23141626803287]
  地理的ロバスト性の問題について検討し、3つの主要な貢献を行う。 まず,地理的適応のための大規模データセットGeoNetを紹介する。 第2に、シーンコンテキストにおける大きな変化から、ドメインシフトの主な原因が生じるという仮説を立てる。 第3に、最先端の教師なしドメイン適応アルゴリズムとアーキテクチャを広範囲に評価する。
  論文  参考訳（メタデータ） (2023-03-27T17:59:34Z)
• GIVL: Improving Geographical Inclusivity of Vision-Language Models with Pre-Training Methods [62.076647211744564]
  我々は地理包摂型視覚・言語事前学習モデルであるGIVLを提案する。 1) 類似のカテゴリにおける概念は独自の知識と視覚的特徴を持ち、2) 類似の視覚的特徴を持つ概念は、全く異なるカテゴリに該当する可能性がある。 GIVLは、同様のスケールのデータを事前訓練した類似サイズのモデルと比較して、最先端のSOTA(State-of-the-art)を達成し、ジオディバースなV&Lタスクにおけるよりバランスの取れたパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2023-01-05T03:43:45Z)
• Task-Adaptive Meta-Learning Framework for Advancing Spatial Generalizability [5.448577641039577]
  本研究では、地域的に異質なデータを位置感応的なメタタスクに組み込むモデルに依存しないメタ学習フレームワークを提案する。 提案手法の1つの大きな利点は、多種多様なタスクへのモデル適応を改善することである。 また、対応する難易度のメタモデルを新しいタスクに自動的に適応させることで、モデルの一般化を強化する。
  論文  参考訳（メタデータ） (2022-12-10T01:50:35Z)
• Domain Adaptation and Active Learning for Fine-Grained Recognition in the Field of Biodiversity [7.24935792316121]
  教師なしドメイン適応は、生物多様性の文脈におけるきめ細かい認識に使用できる。 ドメイン適応と転送可能正規化を用いることで、分類器の精度を最大12.35%向上させることができる。 驚いたことに、2つのデータセットのうち1つだけがランダム選択ベースラインよりも洗練された戦略がより良い結果をもたらすことがわかった。
  論文  参考訳（メタデータ） (2021-10-22T13:34:13Z)
• Domain Adaptation for Learning Generator from Paired Few-Shot Data [72.04430033118426]
  十分なソースデータと少数のターゲットデータを持つジェネレータを学習するためのペアドフェーショットGAN(PFS-GAN)モデルを提案する。 提案手法は,複数のベースラインと比較して,より多様性の高い生成対象ドメインデータに対して,定量的,定性的な結果が得られる。
  論文  参考訳（メタデータ） (2021-02-25T10:11:44Z)
• The data synergy effects of time-series deep learning models in hydrology [9.282656246381102]
  我々は、ビッグデータとディープラーニング(DL)の時代において、統一は地域化を著しく上回っていると論じる。 DLモデルの結果が、特性的に異なる地域からデータをプールする際に改善された、データシナジーと呼ばれる効果を強調します。
  論文  参考訳（メタデータ） (2021-01-06T05:24:45Z)
• PGL: Prior-Guided Local Self-supervised Learning for 3D Medical Image Segmentation [87.50205728818601]
  本稿では,潜在特徴空間における局所的一貫性を学習するPGL(PresideedGuided Local)自己教師モデルを提案する。 我々のPGLモデルは、局所領域の特異な表現を学習し、したがって構造情報を保持できる。
  論文  参考訳（メタデータ） (2020-11-25T11:03:11Z)
• Semantic Change Detection with Asymmetric Siamese Networks [71.28665116793138]
  2つの空中画像が与えられた場合、セマンティックチェンジ検出は、土地被覆のバリエーションを特定し、それらの変化タイプをピクセルワイド境界で識別することを目的としている。 この問題は、正確な都市計画や天然資源管理など、多くの地球ビジョンに関連するタスクにおいて不可欠である。 本研究では, 広く異なる構造を持つモジュールから得られた特徴対を用いて意味変化を同定し, 同定するための非対称システマネットワーク(ASN)を提案する。
  論文  参考訳（メタデータ） (2020-10-12T13:26:30Z)

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。