論文の概要: Unsupervised Deep Representation Learning and Few-Shot Classification of PolSAR Images

• arxiv url: http://arxiv.org/abs/2006.15351v2
• Date: Fri, 25 Dec 2020 01:27:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-16 07:49:19.464579
• Title: Unsupervised Deep Representation Learning and Few-Shot Classification of PolSAR Images
• Title（参考訳）: PolSAR画像の教師なし深層表現学習とFew-Shot分類
• Authors: Lamei Zhang and Siyu Zhang and Bin Zou and Hongwei Dong
• Abstract要約: 本稿では、教師なし深層表現学習と少数ショット分類のためのPolSAR対応コントラスト学習ネットワーク(PCLNet)を提案する。 PCLNetは、インスタンス識別のプロキシ目的に基づいて教師なし事前学習フェーズを開発し、ラベルなしのPolSARデータから有用な表現を学習する。 広く使われている2つのPolSARベンチマークデータセットの実験により、PCLNetの有効性が確認された。
• 参考スコア（独自算出の注目度）: 16.594052017558223
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning and convolutional neural networks (CNNs) have made progress in polarimetric synthetic aperture radar (PolSAR) image classification over the past few years. However, a crucial issue has not been addressed, i.e., the requirement of CNNs for abundant labeled samples versus the insufficient human annotations of PolSAR images. It is well-known that following the supervised learning paradigm may lead to the overfitting of training data, and the lack of supervision information of PolSAR images undoubtedly aggravates this problem, which greatly affects the generalization performance of CNN-based classifiers in large-scale applications. To handle this problem, in this paper, learning transferrable representations from unlabeled PolSAR data through convolutional architectures is explored for the first time. Specifically, a PolSAR-tailored contrastive learning network (PCLNet) is proposed for unsupervised deep PolSAR representation learning and few-shot classification. Different from the utilization of optical processing methods, a diversity stimulation mechanism is constructed to narrow the application gap between optics and PolSAR. Beyond the conventional supervised methods, PCLNet develops an unsupervised pre-training phase based on the proxy objective of instance discrimination to learn useful representations from unlabeled PolSAR data. The acquired representations are transferred to the downstream task, i.e., few-shot PolSAR classification. Experiments on two widely-used PolSAR benchmark datasets confirm the validity of PCLNet. Besides, this work may enlighten how to efficiently utilize the massive unlabeled PolSAR data to alleviate the greedy demands of CNN-based methods for human annotations.
• Abstract（参考訳）: 深層学習と畳み込みニューラルネットワーク(cnns)は過去数年間、ポーラリメトリック合成開口レーダ(polsar)の画像分類で進歩を遂げてきた。 しかし、多くのラベル付きサンプルに対するCNNの要件と、PollSAR画像の人間のアノテーションの不足といった重要な問題は解決されていない。 教師付き学習パラダイムに従うと、トレーニングデータの過剰フィッティングにつながる可能性があり、polsarイメージの監督情報の欠如は間違いなくこの問題を悪化させ、大規模アプリケーションにおけるcnnベースの分類器の一般化性能に大きな影響を与えている。 この問題に対処するために,本稿では,畳み込みアーキテクチャによる未ラベルの PolSAR データからトランスファー可能な表現を初めて学習する。 具体的には,教師なしの深いpolsar表現学習と少数ショット分類のためのpolsar-tailored contrastive learning network (pclnet)を提案する。 光処理法と異なり、光学とpolsarのアプリケーションギャップを狭めるために多様性刺激機構が構築されている。 従来の教師付き手法以外にも、PCLNetはインスタンス識別のプロキシ目的に基づいて教師なし事前学習フェーズを開発し、ラベルなしの PolSAR データから有用な表現を学習する。 取得した表現は下流タスク、すなわち数発のPollSAR分類に転送される。 広く使われている2つのPolSARベンチマークデータセットの実験により、PCLNetの有効性が確認された。 さらに、この研究は、人間のアノテーションに対するCNNベースのメソッドの欲求を軽減するために、巨大なラベルのない PolSAR データを効率的に活用する方法を啓蒙するかもしれない。

関連論文リスト

• Deep Learning Based Speckle Filtering for Polarimetric SAR Images. Application to Sentinel-1 [51.404644401997736]
  本稿では、畳み込みニューラルネットワークを用いて偏光SAR画像のスペックルを除去するための完全なフレームワークを提案する。 実験により,提案手法はスペックル低減と分解能保存の両方において例外的な結果をもたらすことが示された。
  論文  参考訳（メタデータ） (2024-08-28T10:07:17Z)
• Heterogeneous Network Based Contrastive Learning Method for PolSAR Land Cover Classification [18.37842655634498]
  SL(Supervised Learning)は、高性能を実現するために大量のラベル付きPolSARデータを必要とする。 本稿では,異種ネットワークに基づくコントラスト学習法(HCLNet)を提案する。 ラベルなしのPolSARデータから高レベルな表現を学習し、マルチ機能やスーパーピクセルに応じて数ショットの分類を行う。
  論文  参考訳（メタデータ） (2024-03-29T01:05:23Z)
• Leveraging Neural Radiance Fields for Uncertainty-Aware Visual Localization [56.95046107046027]
  我々は,Neural Radiance Fields (NeRF) を用いてシーン座標回帰のためのトレーニングサンプルを生成することを提案する。 レンダリングにおけるNeRFの効率にもかかわらず、レンダリングされたデータの多くはアーティファクトによって汚染されるか、最小限の情報ゲインしか含まない。
  論文  参考訳（メタデータ） (2023-10-10T20:11:13Z)
• 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)
• SAR Despeckling Using Overcomplete Convolutional Networks [53.99620005035804]
  スペックルはSAR画像を劣化させるため、リモートセンシングにおいて重要な問題である。 近年の研究では、畳み込みニューラルネットワーク(CNN)が古典的解法よりも優れていることが示されている。 本研究は、受容場を制限することで低レベルの特徴を学習することに集中するために、過剰なCNNアーキテクチャを用いる。 本稿では,合成および実SAR画像の非特定化手法と比較して,提案手法により非特定化性能が向上することを示す。
  論文  参考訳（メタデータ） (2022-05-31T15:55:37Z)
• A SAR speckle filter based on Residual Convolutional Neural Networks [68.8204255655161]
  本研究では,Convolutional Neural Networks(CNN)に基づく深層学習(DL)アルゴリズムを用いて,Sentinel-1データからスペックルノイズをフィルタリングする新しい手法を提案する。 得られた結果は、技術の現状と比較すると、ピーク信号対雑音比(PSNR)と構造類似度指数(SSIM)の点で明確な改善を示しています。
  論文  参考訳（メタデータ） (2021-04-19T14:43:07Z)
• Sparse Signal Models for Data Augmentation in Deep Learning ATR [0.8999056386710496]
  ドメイン知識を取り入れ,データ集約学習アルゴリズムの一般化能力を向上させるためのデータ拡張手法を提案する。 本研究では,空間領域における散乱中心のスパース性とアジムタル領域における散乱係数の滑らかな変動構造を活かし,過パラメータモデルフィッティングの問題を解く。
  論文  参考訳（メタデータ） (2020-12-16T21:46:33Z)
• Classification of Polarimetric SAR Images Using Compact Convolutional Neural Networks [24.553598498985796]
  PolSAR画像の分類には,新しい,体系的な分類フレームワークが提案されている。 スライドウインドウ分類手法を用いたCNNのコンパクトで適応的な実装に基づいている。 提案手法は深層CNNよりも小さいウィンドウサイズで分類できる。
  論文  参考訳（メタデータ） (2020-11-10T17:09:11Z)
• Remote Sensing Image Scene Classification with Self-Supervised Paradigm under Limited Labeled Samples [11.025191332244919]
  我々は,大規模なラベル付きデータからRSIシーン分類のための高性能事前学習モデルを得るために,新たな自己教師付き学習(SSL)機構を導入する。 一般的な3つのRSIシーン分類データセットの実験により、この新たな学習パラダイムは、従来の支配的なImageNet事前学習モデルよりも優れていることが示された。 我々の研究から得られた知見は、リモートセンシングコミュニティにおけるSSLの発展を促進するのに役立ちます。
  論文  参考訳（メタデータ） (2020-10-02T09:27:19Z)
• SAR Image Despeckling by Deep Neural Networks: from a pre-trained model to an end-to-end training strategy [8.097773654147105]
  畳み込みニューラルネットワーク(CNN)は、最近、SAR画像復元の最先端のパフォーマンスに達することが示されている。 CNNトレーニングには、多くのスペックルフリー/スペックル故障した画像のペアという、優れたトレーニングデータが必要です。 本稿では,実施したいスペックル除去作業に応じて,採用可能なさまざまな戦略を解析する。
  論文  参考訳（メタデータ） (2020-06-28T09:47:31Z)
• BP-DIP: A Backprojection based Deep Image Prior [49.375539602228415]
  画像復元手法として, (i)Deep Image Prior (DIP) と (ii) バックプロジェクション (BP) の2つの手法を提案する。 提案手法はBP-DIP(BP-DIP)と呼ばれ,高いPSNR値とより優れた推論実行時間を持つ通常のDIPよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2020-03-11T17:09:12Z)

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。