論文の概要: Physically-Constrained Transfer Learning through Shared Abundance Space
for Hyperspectral Image Classification
- arxiv url: http://arxiv.org/abs/2008.08563v2
- Date: Sun, 30 Aug 2020 11:05:13 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-27 12:07:39.841004
- Title: Physically-Constrained Transfer Learning through Shared Abundance Space
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共有空間による物理的制約付き移動学習
- Authors: Ying Qu, Razieh Kaviani Baghbaderani, Wei Li, Lianru Gao, Hairong Qi
- Abstract要約: 本稿では、ソースとターゲットドメイン間のギャップを埋める新しい転送学習手法を提案する。
提案手法は,共有空間を経由した物理制約付き移動学習と呼ばれる。
- 参考スコア（独自算出の注目度）: 14.840925517957258
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Hyperspectral image (HSI) classification is one of the most active research
topics and has achieved promising results boosted by the recent development of
deep learning. However, most state-of-the-art approaches tend to perform poorly
when the training and testing images are on different domains, e.g., source
domain and target domain, respectively, due to the spectral variability caused
by different acquisition conditions. Transfer learning-based methods address
this problem by pre-training in the source domain and fine-tuning on the target
domain. Nonetheless, a considerable amount of data on the target domain has to
be labeled and non-negligible computational resources are required to retrain
the whole network. In this paper, we propose a new transfer learning scheme to
bridge the gap between the source and target domains by projecting the HSI data
from the source and target domains into a shared abundance space based on their
own physical characteristics. In this way, the domain discrepancy would be
largely reduced such that the model trained on the source domain could be
applied on the target domain without extra efforts for data labeling or network
retraining. The proposed method is referred to as physically-constrained
transfer learning through shared abundance space (PCTL-SAS). Extensive
experimental results demonstrate the superiority of the proposed method as
compared to the state-of-the-art. The success of this endeavor would largely
facilitate the deployment of HSI classification for real-world sensing
scenarios.
- Abstract（参考訳）: ハイパースペクトル画像(HSI)分類は最も活発な研究課題の一つであり,近年の深層学習の発展により,有望な成果を上げている。
しかし、ほとんどの最先端のアプローチは、異なる取得条件によって生じるスペクトル変動のために、トレーニングとテストの画像がそれぞれソースドメインとターゲットドメインの異なる領域にある場合、パフォーマンスが悪くなる傾向にある。
転送学習に基づく手法は、ソースドメインの事前トレーニングとターゲットドメインの微調整によってこの問題に対処する。
それでも、ターゲット領域上のかなりの量のデータをラベル付けし、ネットワーク全体を再トレーニングするためには、無視できない計算資源が必要である。
本稿では,ソース領域とターゲット領域からのhsiデータを,その物理特性に基づいて共有空間に投影することで,ソース領域とターゲット領域のギャップを埋める新しいトランスファー学習手法を提案する。
このようにして、ソースドメインでトレーニングされたモデルを、データラベリングやネットワークリトレーニングの余分な労力なしでターゲットドメインに適用できるように、ドメインの相違は大幅に減少する。
提案手法は共用量空間 (pctl-sas) による物理拘束伝達学習 (physical-constrained transfer learning) と呼ばれる。
実験結果から,提案手法が最先端技術よりも優れていることを示す。
この取り組みの成功は、現実世界のセンシングシナリオに対するhsi分類の導入を大いに促進する。
関連論文リスト
- Self-training through Classifier Disagreement for Cross-Domain Opinion
Target Extraction [62.41511766918932]
オピニオンターゲット抽出(OTE)またはアスペクト抽出(AE)は意見マイニングの基本的な課題である。
最近の研究は、現実世界のシナリオでよく見られるクロスドメインのOTEに焦点を当てている。
そこで本稿では,ドメイン固有の教師と学生のネットワークから出力されるモデルが未学習のターゲットデータと一致しない対象サンプルを選択するためのSSLアプローチを提案する。
論文 参考訳（メタデータ） (2023-02-28T16:31:17Z) - Deep face recognition with clustering based domain adaptation [57.29464116557734]
そこで本研究では,ターゲットドメインとソースがクラスを共有しない顔認識タスクを対象とした,クラスタリングに基づく新しいドメイン適応手法を提案する。
本手法は,特徴領域をグローバルに整列させ,その一方で,対象クラスタを局所的に識別することで,識別対象特徴を効果的に学習する。
論文 参考訳（メタデータ） (2022-05-27T12:29:11Z) - From Big to Small: Adaptive Learning to Partial-Set Domains [94.92635970450578]
ドメイン適応は、分布シフト中のラベル付きソースドメインからラベルなしターゲットドメインへの知識獲得と普及を目標とする。
近年の進歩は、大規模の深層学習モデルにより、小規模の下流の多様な課題に取り組むための豊富な知識が得られていることを示している。
本稿では,学習パラダイムである部分領域適応(Partial Domain Adaptation, PDA)を紹介する。
論文 参考訳（メタデータ） (2022-03-14T07:02:45Z) - Multilevel Knowledge Transfer for Cross-Domain Object Detection [26.105283273950942]
ドメインシフトは、特定のドメイン(ソース)でトレーニングされたモデルが、異なるドメイン(ターゲット)のサンプルに露出しても、うまく動作しない、よく知られた問題である。
本研究では,オブジェクト検出タスクにおける領域シフト問題に対処する。
私たちのアプローチは、ソースとターゲットドメイン間のドメインシフトを徐々に削除することに依存しています。
論文 参考訳（メタデータ） (2021-08-02T15:24:40Z) - Discriminative Cross-Domain Feature Learning for Partial Domain
Adaptation [70.45936509510528]
部分的なドメイン適応は、より大きく多様なソースドメインからの知識を、より少ないクラス数でより小さなターゲットドメインに適応させることを目的としています。
ドメイン適応の最近の実践は、ターゲットドメインの擬似ラベルを組み込むことで、効果的な特徴を抽出する。
ターゲットデータを少数のソースデータのみにアライメントすることが不可欠である。
論文 参考訳（メタデータ） (2020-08-26T03:18:53Z) - Unsupervised Cross-domain Image Classification by Distance Metric Guided
Feature Alignment [11.74643883335152]
教師なしドメイン適応は、ソースドメインからターゲットドメインに知識を転送する有望な道である。
本稿では,距離メトリックガイド機能アライメント(MetFA)を提案する。
我々のモデルは、クラス分布アライメントを統合して、ソースドメインからターゲットドメインにセマンティック知識を転送します。
論文 参考訳（メタデータ） (2020-08-19T13:36:57Z) - Deep Residual Correction Network for Partial Domain Adaptation [79.27753273651747]
ディープドメイン適応法は、よくラベルされたソースドメインから異なるが関連する未ラベルのターゲットドメインへの転送可能な表現を学習することで、魅力的なパフォーマンスを実現している。
本稿では,効率よく実装された深部残留補正網を提案する。
部分的、伝統的、微粒なクロスドメイン認識に関する総合的な実験は、DRCNが競合深いドメイン適応アプローチよりも優れていることを示している。
論文 参考訳（メタデータ） (2020-04-10T06:07:16Z) - Towards Fair Cross-Domain Adaptation via Generative Learning [50.76694500782927]
ドメイン適応(DA)は、よくラベル付けされたソースドメイン上でトレーニングされたモデルを、異なる分散に横たわる未ラベルのターゲットドメインに適応することを目的としています。
本研究では,新規な生成的Few-shot Cross-Domain Adaptation (GFCA) アルゴリズムを開発した。
論文 参考訳（メタデータ） (2020-03-04T23:25:09Z)
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。