論文の概要: A Bayesian-inspired, deep learning-based, semi-supervised domain adaptation technique for land cover mapping

• arxiv url: http://arxiv.org/abs/2005.11930v2
• Date: Wed, 10 Mar 2021 05:57:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-29 05:11:10.711781
• Title: A Bayesian-inspired, deep learning-based, semi-supervised domain adaptation technique for land cover mapping
• Title（参考訳）: ベイズ型深層学習に基づく半教師付き領域適応手法による土地被覆マッピング
• Authors: Benjamin Lucas, Charlotte Pelletier, Daniel Schmidt, Geoffrey I. Webb, and Fran\c{c}ois Petitjean
• Abstract要約: Sourcererは、SITSデータから土地被覆マップを作成するための半教師付きDA技術である。 ソースドメインでトレーニングされた畳み込みニューラルネットワークを使用して、利用可能なターゲットドメインをさらにトレーニングする。 Sourcererは、利用可能なラベル付きターゲットデータに対して、他のすべてのメソッドよりも優れています。
• 参考スコア（独自算出の注目度）: 4.167265971166947
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Land cover maps are a vital input variable to many types of environmental research and management. While they can be produced automatically by machine learning techniques, these techniques require substantial training data to achieve high levels of accuracy, which are not always available. One technique researchers use when labelled training data are scarce is domain adaptation (DA) -- where data from an alternate region, known as the source domain, are used to train a classifier and this model is adapted to map the study region, or target domain. The scenario we address in this paper is known as semi-supervised DA, where some labelled samples are available in the target domain. In this paper we present Sourcerer, a Bayesian-inspired, deep learning-based, semi-supervised DA technique for producing land cover maps from SITS data. The technique takes a convolutional neural network trained on a source domain and then trains further on the available target domain with a novel regularizer applied to the model weights. The regularizer adjusts the degree to which the model is modified to fit the target data, limiting the degree of change when the target data are few in number and increasing it as target data quantity increases. Our experiments on Sentinel-2 time series images compare Sourcerer with two state-of-the-art semi-supervised domain adaptation techniques and four baseline models. We show that on two different source-target domain pairings Sourcerer outperforms all other methods for any quantity of labelled target data available. In fact, the results on the more difficult target domain show that the starting accuracy of Sourcerer (when no labelled target data are available), 74.2%, is greater than the next-best state-of-the-art method trained on 20,000 labelled target instances.
• Abstract（参考訳）: 土地被覆地図は多くの種類の環境研究・管理において重要な入力変数である。 機械学習技術によって自動生成されるが、これらの技術は高いレベルの精度を達成するために十分なトレーニングデータを必要とする。 ラベル付きトレーニングデータが不足している場合、研究者が使用するテクニックはドメイン適応(da)で、ソースドメインと呼ばれる別の領域のデータを使用して分類器をトレーニングし、このモデルを使用して学習領域や対象ドメインをマップする。 本論文のシナリオは半教師付きDAと呼ばれ,いくつかのラベル付きサンプルが対象ドメインで利用可能である。 本稿では,ベイズにインスパイアされた深層学習に基づく半教師付きDA技術であるSourcererを紹介し,SITSデータから土地被覆地図を作成する。 このテクニックは、ソースドメインでトレーニングされた畳み込みニューラルネットワークを使用し、モデルウェイトに新しい正規化器を適用することで、利用可能なターゲットドメインでさらにトレーニングを行う。 正規化器は、ターゲットデータに適合するようにモデルが修正された度合いを調整し、ターゲットデータが少ない場合に変化の度合いを制限し、ターゲットデータ量が増加するにつれて増加させる。 Sentinel-2 時系列画像に対する実験は、Sourcerer と最先端の2つの半教師付きドメイン適応技術と4つのベースラインモデルを比較した。 我々は、異なる2つのソースターゲットドメインペアリングにおいて、Sourcererが利用可能なラベル付きターゲットデータに対して、他のすべてのメソッドより優れていることを示す。 実際、より難しいターゲットドメインでの結果は、(ラベル付きターゲットデータがない場合)sourcererの開始精度が20,000のラベル付きターゲットインスタンスでトレーニングされた次の最先端のメソッドよりも大きいことを示している。

関連論文リスト

• Robust Source-Free Domain Adaptation for Fundus Image Segmentation [3.585032903685044]
  Unlabelled Domain Adaptation (UDA)は、ラベル付きデータから学習した知識を、未ラベルデータのみを使用してターゲットドメインに転送する学習技術である。 本研究では,ロバストドメイン適応のための2段階トレーニングステージを提案する。 本稿では,ラベルのないターゲットデータを有効利用して擬似ラベルと擬似境界を生成する,ロバストな擬似ラベルと擬似境界(PLPB)手法を提案する。
  論文  参考訳（メタデータ） (2023-10-25T14:25:18Z)
• GaitSADA: Self-Aligned Domain Adaptation for mmWave Gait Recognition [14.750765172614836]
  mmWaveレーダを用いた歩行認識は,mmWaveレーダの帰還信号から人間の歩行バイオメトリックスを捕捉する新しいユーザ識別法である。 この問題を軽減するために、GaitSADAと呼ばれる新しい自己整合ドメイン適応法を提案する。 実験により、GaitSADAは、低データ状態における平均精度で15.41%から26.32%の改善により、代表的ドメイン適応法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-01-31T03:21:08Z)
• Adapting the Mean Teacher for keypoint-based lung registration under geometric domain shifts [75.51482952586773]
  ディープニューラルネットワークは一般的に、ラベル付きトレーニングデータが多く必要であり、トレーニングデータとテストデータの間のドメインシフトに弱い。 本稿では,ラベル付きソースからラベル付きターゲットドメインへのモデルの適用により,画像登録のための幾何学的領域適応手法を提案する。 本手法は,ベースラインモデルの精度を目標データに適合させながら,ベースラインモデルの50%/47%を継続的に改善する。
  論文  参考訳（メタデータ） (2022-07-01T12:16:42Z)
• ProCST: Boosting Semantic Segmentation using Progressive Cyclic Style-Transfer [38.03127458140549]
  ドメイン適応技術を改善するための新しい2段階フレームワークを提案する。 最初のステップでは、複数のスケールのニューラルネットワークを段階的にトレーニングし、ソースデータからターゲットデータへの初期転送を行う。 この新たなデータは、所望のターゲットドメインとのドメインギャップを減らし、適用されたUDAアプローチにより、さらにギャップを埋める。
  論文  参考訳（メタデータ） (2022-04-25T18:01:05Z)
• Source-Free Domain Adaptation via Distribution Estimation [106.48277721860036]
  ドメイン適応は、ラベル付きソースドメインから学んだ知識を、データ分散が異なるラベル付きターゲットドメインに転送することを目的としています。 近年,ソースフリードメイン適応 (Source-Free Domain Adaptation, SFDA) が注目されている。 本研究では,SFDA-DEと呼ばれる新しいフレームワークを提案し,ソース分布推定によるSFDAタスクに対処する。
  論文  参考訳（メタデータ） (2022-04-24T12:22:19Z)
• Source-Free Open Compound Domain Adaptation in Semantic Segmentation [99.82890571842603]
  SF-OCDAでは、ターゲットモデルを学習するために、ソース事前訓練されたモデルとターゲットデータのみが利用可能である。 そこで我々は,Cross-Patch Style Swap (CPSS)を提案する。 提案手法は,C-Drivingデータセット上で最先端の結果を生成する。
  論文  参考訳（メタデータ） (2021-06-07T08:38:41Z)
• Distill and Fine-tune: Effective Adaptation from a Black-box Source Model [138.12678159620248]
  Unsupervised Domain Adapt (UDA) は、既存のラベル付きデータセット (source) の知識を新しいラベル付きデータセット (target) に転送することを目的としています。 Distill and Fine-tune (Dis-tune) という新しい二段階適応フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-04-04T05:29:05Z)
• Inferring Latent Domains for Unsupervised Deep Domain Adaptation [54.963823285456925]
  Unsupervised Domain Adaptation (UDA)は、ラベル付きデータが利用できないターゲットドメインでモデルを学習する問題を指す。 本稿では,視覚データセット中の潜在ドメインを自動的に発見することにより,udaの問題に対処する新しい深層アーキテクチャを提案する。 提案手法を公開ベンチマークで評価し,最先端のドメイン適応手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-03-25T14:33:33Z)
• Deep Domain-Adversarial Image Generation for Domain Generalisation [115.21519842245752]
  マシンラーニングモデルは通常、ソースデータセットでトレーニングされたり、異なるディストリビューションのターゲットデータセットで評価されたりする際に、ドメインシフトの問題に悩まされる。 この問題を解決するために、ドメイン一般化(DG)手法は、訓練されたモデルが未知のドメインに一般化できるように、複数のソースドメインからのデータを活用することを目的としている。 我々はemphDeep Domain-Adversarial Image Generation (DDAIG)に基づく新しいDG手法を提案する。
  論文  参考訳（メタデータ） (2020-03-12T23:17:47Z)

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。