Fugu-MT 論文翻訳(概要): A Comparison of Few-Shot Learning Methods for Underwater Optical and Sonar Image Classification

論文の概要: A Comparison of Few-Shot Learning Methods for Underwater Optical and Sonar Image Classification

arxiv url: http://arxiv.org/abs/2005.04621v2
Date: Mon, 26 Oct 2020 15:18:43 GMT
ステータス: 処理完了
システム内更新日: 2022-12-05 01:56:04.095878
Title: A Comparison of Few-Shot Learning Methods for Underwater Optical and Sonar Image Classification
Title（参考訳）: 水中光学・ソナー画像分類のためのFew-Shot学習法の比較
Authors: Mateusz Ochal, Jose Vazquez, Yvan Petillot, Sen Wang
Abstract要約: ディープ畳み込みニューラルネットワークは一般的に水中の物体認識タスクでよく機能する。 Few-Shot Learningの取り組みは、データ可用性を低くする多くの有望な方法を生み出している。本論文は,水中光およびサイドスキャンソナー画像を用いて,教師付きおよび半教師付きFew-Shot Learning法の評価と比較を行った最初の論文である。
参考スコア（独自算出の注目度）: 10.448481847860705
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Deep convolutional neural networks generally perform well in underwater object recognition tasks on both optical and sonar images. Many such methods require hundreds, if not thousands, of images per class to generalize well to unseen examples. However, obtaining and labeling sufficiently large volumes of data can be relatively costly and time-consuming, especially when observing rare objects or performing real-time operations. Few-Shot Learning (FSL) efforts have produced many promising methods to deal with low data availability. However, little attention has been given in the underwater domain, where the style of images poses additional challenges for object recognition algorithms. To the best of our knowledge, this is the first paper to evaluate and compare several supervised and semi-supervised Few-Shot Learning (FSL) methods using underwater optical and side-scan sonar imagery. Our results show that FSL methods offer a significant advantage over the traditional transfer learning methods that fine-tune pre-trained models. We hope that our work will help apply FSL to autonomous underwater systems and expand their learning capabilities.
Abstract（参考訳）: 深い畳み込みニューラルネットワークは一般に、光学画像とソナー画像の両方の水中物体認識タスクでうまく機能する。このような手法の多くは、目に見えない例にうまく一般化するために、クラスごとに数百、数千の画像を必要とする。しかし、大量のデータの取得とラベリングは、特にレアオブジェクトの観測やリアルタイム操作を行う場合には、比較的費用がかかり、時間がかかる。 FSL(Few-Shot Learning)の取り組みは、データ可用性を低くする多くの有望な方法を生み出している。しかし、水中領域では、画像のスタイルがオブジェクト認識アルゴリズムに新たな課題をもたらすような、ほとんど注目されていない。本論文は,水中の光学および横スキャンソナー画像を用いた教師付きおよび半教師付きマイズショット学習(fsl)法を評価・比較した最初の論文である。この結果から,FSL法は,事前学習したモデルを微調整する従来の移動学習法よりも有意な優位性を示した。 FSLを自律型水中システムに適用し、学習能力を拡大したいと思っています。

関連論文リスト

CSP: Self-Supervised Contrastive Spatial Pre-Training for Geospatial-Visual Representations [90.50864830038202]
ジオタグ付き画像の自己教師型学習フレームワークであるContrastive Spatial Pre-Training(CSP)を提案する。デュアルエンコーダを用いて画像とその対応する位置情報を別々に符号化し、コントラスト目的を用いて画像から効果的な位置表現を学習する。 CSPは、様々なラベル付きトレーニングデータサンプリング比と10～34%の相対的な改善で、モデル性能を大幅に向上させる。
論文参考訳（メタデータ） (2023-05-01T23:11:18Z)
Spectrum-inspired Low-light Image Translation for Saliency Detection [23.368690302292563]
そこで本研究では,高照度画像を低照度画像に変換する手法を提案し,それを実写低照度画像のプロキシとして利用する。何千ものパラメータと膨大な量のトレーニングデータを必要とする一般的なディープラーニングアプローチとは異なり、提案された変換は高速でシンプルで、低光深度推定のような他のタスクにも容易に拡張できる。本実験により, プロキシ低照度画像上でトレーニングした最先端の精度検出および深度推定ネットワークは, 既存の戦略を用いてトレーニングしたネットワークに比べて, 実際の低照度画像に対して有意に優れた性能を示した。
論文参考訳（メタデータ） (2023-03-17T17:30:42Z)
Leveraging the Third Dimension in Contrastive Learning [88.17394309208925]
SSL(Self-Supervised Learning)メソッドは、ラベルのないデータでダウンストリームタスクに有用な堅牢な表現を学習する。これらの拡張は、生物学的ビジョンが没入的な3次元、時間的に連続した環境で起こるという事実を無視している。 SSLフレームワークにディープシグナルを組み込むための2つの異なるアプローチについて検討する。
論文参考訳（メタデータ） (2023-01-27T15:45:03Z)
Self Supervised Learning for Few Shot Hyperspectral Image Classification [57.2348804884321]
HSI分類に自己監督学習(SSL)を活用することを提案する。最先端のSSLアルゴリズムであるBarlow-Twinsを用いて,ラベルのない画素にエンコーダを事前学習することにより,少数のラベルを持つ正確なモデルが得られることを示す。
論文参考訳（メタデータ） (2022-06-24T07:21:53Z)
Self-supervised Learning for Sonar Image Classification [6.1947705963945845]
自己教師付き学習は、大きなラベル付きデータセットを必要とせずに画像表現を学習するための強力なアプローチであることが証明された。実生活ソナー画像データセットの事前学習および転送学習結果について述べる。
論文参考訳（メタデータ） (2022-04-20T08:58:35Z)
VL-LTR: Learning Class-wise Visual-Linguistic Representation for Long-Tailed Visual Recognition [61.75391989107558]
本稿では,VL-LTRと呼ばれる視覚言語的長尾認識フレームワークを提案する。本手法は,画像から視覚表現とそれに対応する言語表現を,雑音のあるクラスレベルのテキスト記述から学習することができる。特に,ImageNet-LTでは77.2%の精度を達成し,従来のベストメソッドよりも17ポイント以上優れていた。
論文参考訳（メタデータ） (2021-11-26T16:24:03Z)
Few-Cost Salient Object Detection with Adversarial-Paced Learning [95.0220555274653]
本稿では,少数のトレーニング画像にのみ手動アノテーションを応用して,効果的なサルエント物体検出モデルを学習することを提案する。我々は,このタスクを,少額の有能な物体検出とみなし,少数のコストの学習シナリオを促進するために,APL(Adversarialpaced Learning)ベースのフレームワークを提案する。
論文参考訳（メタデータ） (2021-04-05T14:15:49Z)
Speckle2Void: Deep Self-Supervised SAR Despeckling with Blind-Spot Convolutional Neural Networks [30.410981386006394]
切り離しはシーン分析アルゴリズムの重要な予備段階ですディープラーニングの最近の成功は、新しい世代の非仕様化技術が想定されている。本稿では,自己教師型ベイズ解法を提案する。
論文参考訳（メタデータ） (2020-07-04T11:38:48Z)
AdarGCN: Adaptive Aggregation GCN for Few-Shot Learning [112.95742995816367]
FSFSLと呼ばれる新しい数発のスナップショット・ラーニング・セッティングを提案する。 FSFSLでは、ソースクラスとターゲットクラスの両方に限られたトレーニングサンプルがある。また,無関係な画像を削除するためのグラフ畳み込みネットワーク (GCN) ベースのラベルデノイング (LDN) 手法を提案する。
論文参考訳（メタデータ） (2020-02-28T10:34:36Z)
Towards Deep Unsupervised SAR Despeckling with Blind-Spot Convolutional Neural Networks [30.410981386006394]
ディープラーニング技術は、古典的なモデルに基づく非特定アルゴリズムよりも優れています。本稿では,自己教師型ベイズ解法を提案する。提案するネットワークの性能は,合成データの教師あり学習手法に非常に近いことを示し,実データ上での競争力を示す。
論文参考訳（メタデータ） (2020-01-15T12:21:12Z)
Deep Image Feature Learning with Fuzzy Rules [25.4399762282053]
本稿では、より解釈可能でスケーラブルな特徴学習手法、すなわち、ファジィルール付き深層画像特徴学習(DIFL-FR)を提案する。本手法は,ファジィルールに基づいて階層的に画像特徴を段階的に学習するので,生成したルールにより特徴学習プロセスをよりよく説明できる。また、教師なし学習の設定下にあり、教師なし学習や半教師なし学習の場面に容易に拡張することができる。
論文参考訳（メタデータ） (2019-05-25T11:33:02Z)

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。