論文の概要: Fuzziness-based Spatial-Spectral Class Discriminant Information
Preserving Active Learning for Hyperspectral Image Classification
- arxiv url: http://arxiv.org/abs/2005.14236v1
- Date: Thu, 28 May 2020 18:58:11 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-27 05:45:41.459022
- Title: Fuzziness-based Spatial-Spectral Class Discriminant Information
Preserving Active Learning for Hyperspectral Image Classification
- Title（参考訳）: ハイパースペクトル画像分類のためのアクティブラーニングを保存するファジィベース空間スペクトル分類情報
- Authors: Muhammad Ahmad
- Abstract要約: 本研究では,局所的・グローバルな識別情報保存手法の内外におけるファジィに基づく空間スペクトルを提案する。
ベンチマークHSIデータセットによる実験結果から,FLG法が生成,極端学習機械,スパース多相ロジスティック回帰に与える影響が示された。
- 参考スコア（独自算出の注目度）: 0.456877715768796
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Traditional Active/Self/Interactive Learning for Hyperspectral Image
Classification (HSIC) increases the size of the training set without
considering the class scatters and randomness among the existing and new
samples. Second, very limited research has been carried out on joint
spectral-spatial information and finally, a minor but still worth mentioning is
the stopping criteria which not being much considered by the community.
Therefore, this work proposes a novel fuzziness-based spatial-spectral within
and between for both local and global class discriminant information preserving
(FLG) method. We first investigate a spatial prior fuzziness-based
misclassified sample information. We then compute the total local and global
for both within and between class information and formulate it in a
fine-grained manner. Later this information is fed to a discriminative
objective function to query the heterogeneous samples which eliminate the
randomness among the training samples. Experimental results on benchmark HSI
datasets demonstrate the effectiveness of the FLG method on Generative, Extreme
Learning Machine and Sparse Multinomial Logistic Regression (SMLR)-LORSAL
classifiers.
- Abstract（参考訳）: hsic(hyperspectral image classification)の従来のアクティブ/セルフ/インタラクティブ学習は、既存のサンプルや新しいサンプルのクラス分散やランダム性を考慮して、トレーニングセットのサイズを増加させる。
第2に,共同のスペクトル空間情報に関する極めて限定的な研究が行われており,最後に,コミュニティがあまり考慮していない停止基準についても言及する価値がある。
そこで本研究では,局所クラス識別情報保存(FLG)法とグローバルクラス識別情報保存(FLG)法の両方において,ファジィに基づく新しい空間スペクトルを提案する。
まず,空間的事前ファジィに基づく誤分類サンプル情報について検討する。
次に、クラス情報内とクラス情報間の合計ローカルおよびグローバルを計算し、きめ細かい方法で定式化する。
その後、この情報は識別目的関数に供給され、トレーニングサンプル間のランダム性を排除する異種サンプルを照会する。
ベンチマークHSIデータセットを用いた実験結果から,FLG法がSMLR-LORSAL分類器の生成, 極端学習機械, スパース多項ロジスティック回帰(Sparse Multinomial Logistic Regression)に与える影響が示された。
関連論文リスト
- Hyperspectral Image Analysis with Subspace Learning-based One-Class
Classification [18.786429304405097]
ハイパースペクトル画像(HSI)分類は、環境モニタリング、医療画像、土地利用/土地被覆(LULC)分類など、多くの応用において重要な課題である。
本研究では,最近提案した1クラス分類(OCC)における部分空間学習手法について検討する。
このようにして、提案する分類フレームワークでは、個別の次元削減や特徴選択の手順は不要である。
LULC分類問題とリッチスペクトル情報(高次元)の不均衡ラベルを考えると,提案手法はHSIデータに適している。
論文 参考訳（メタデータ） (2023-04-19T15:17:05Z) - One-Class Risk Estimation for One-Class Hyperspectral Image
Classification [8.206701378422968]
ハイパースペクトル画像(HSI)の1クラス分類は、HSIから単一のターゲットクラスを特定することを目的としている。
深層学習に基づく手法は,HSIマルチクラス化における分散重複を克服するために現在主流である。
本稿では、弱い教師付き深いHSI一級分類であるHOneClsを提案する。
論文 参考訳（メタデータ） (2022-10-27T14:15:13Z) - Hierarchical Semi-Supervised Contrastive Learning for
Contamination-Resistant Anomaly Detection [81.07346419422605]
異常検出は、通常のデータ分布から逸脱したサンプルを特定することを目的としている。
コントラスト学習は、異常の効果的な識別を可能にする表現のサンプル化に成功している。
汚染耐性異常検出のための新しい階層型半教師付きコントラスト学習フレームワークを提案する。
論文 参考訳（メタデータ） (2022-07-24T18:49:26Z) - Trash to Treasure: Harvesting OOD Data with Cross-Modal Matching for
Open-Set Semi-Supervised Learning [101.28281124670647]
オープンセット半教師付き学習(Open-set SSL)では、ラベルなしデータにOOD(Out-of-distribution)サンプルを含む、難しいが実用的なシナリオを調査する。
我々は、OODデータの存在を効果的に活用し、特徴学習を増強する新しいトレーニングメカニズムを提案する。
我々のアプローチは、オープンセットSSLのパフォーマンスを大幅に向上させ、最先端技術よりも大きなマージンで性能を向上します。
論文 参考訳（メタデータ） (2021-08-12T09:14:44Z) - No Fear of Heterogeneity: Classifier Calibration for Federated Learning
with Non-IID Data [78.69828864672978]
実世界のフェデレーションシステムにおける分類モデルのトレーニングにおける中心的な課題は、非IIDデータによる学習である。
このアルゴリズムは, 近似されたssian混合モデルからサンプリングした仮想表現を用いて分類器を調整する。
実験の結果,CIFAR-10,CIFAR-100,CINIC-10など,一般的なフェデレーション学習ベンチマークにおけるCCVRの現状が示された。
論文 参考訳（メタデータ） (2021-06-09T12:02:29Z) - Entropy-Based Uncertainty Calibration for Generalized Zero-Shot Learning [49.04790688256481]
一般化ゼロショット学習(GZSL)の目的は、目に見えないクラスと見えないクラスの両方を認識することである。
ほとんどのGZSLメソッドは、通常、見えないクラスの意味情報から視覚表現を合成することを学ぶ。
本論文では,三重項損失を持つ2重変分オートエンコーダを利用する新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2021-01-09T05:21:27Z) - A Boundary Based Out-of-Distribution Classifier for Generalized
Zero-Shot Learning [83.1490247844899]
Generalized Zero-Shot Learning (GZSL)は多くの現実的なシナリオにおいて有望な見通しを持つ挑戦的なトピックである。
本研究では,見知らぬ領域を学習用サンプルのみを用いて分類する境界に基づくアウト・オブ・ディストリビューション(OOD)分類器を提案する。
我々は、AWA1、AWA2、CUB、FLO、SUNを含む5つの人気のあるベンチマークデータセットに対して、我々のアプローチを広範囲に検証する。
論文 参考訳（メタデータ） (2020-08-09T11:27:19Z) - Progressive Cluster Purification for Unsupervised Feature Learning [48.87365358296371]
教師なしの特徴学習では、サンプル特異性に基づく手法はクラス間の情報を無視する。
本稿では,プログレッシブクラスタ形成時にクラス不整合サンプルを除外するクラスタリングに基づく新しい手法を提案する。
我々の手法は、プログレッシブ・クラスタ・パーフィケーション(PCP)と呼ばれ、訓練中に徐々にクラスタ数を減らし、プログレッシブ・クラスタリングを実装している。
論文 参考訳（メタデータ） (2020-07-06T08:11:03Z) - GIM: Gaussian Isolation Machines [40.7916016364212]
多くの場合、ニューラルネットワーク分類器は、トレーニング配布データの外にある入力データに露出する。
OODデータに遭遇した場合に発生する問題の解決を目的とした,新しいハイブリッド分類器を提案する。
提案されたGIMの新規性は、識別性能と生成能力にある。
論文 参考訳（メタデータ） (2020-02-06T09:51:47Z)
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。