論文の概要: Active Deep Densely Connected Convolutional Network for Hyperspectral Image Classification

• arxiv url: http://arxiv.org/abs/2009.00320v2
• Date: Tue, 24 Nov 2020 11:46:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-23 01:29:41.872400
• Title: Active Deep Densely Connected Convolutional Network 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深密結合畳み込みネットワーク
• Authors: Bing Liu, Anzhu Yu, Pengqiang Zhang, Lei Ding, Wenyue Guo, Kuiliang Gao, Xibing Zuo
• Abstract要約: ラベル付きサンプルを数個だけ使って、ディープラーニングモデルを訓練して高い分類精度に達することは、依然として非常に難しい。 そこで本稿では,高スペクトル画像の分類コストを最小限に抑えるために,エンドツーエンドで訓練された能動的ディープラーニングフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 6.850575514129793
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning based methods have seen a massive rise in popularity for hyperspectral image classification over the past few years. However, the success of deep learning is attributed greatly to numerous labeled samples. It is still very challenging to use only a few labeled samples to train deep learning models to reach a high classification accuracy. An active deep-learning framework trained by an end-to-end manner is, therefore, proposed by this paper in order to minimize the hyperspectral image classification costs. First, a deep densely connected convolutional network is considered for hyperspectral image classification. Different from the traditional active learning methods, an additional network is added to the designed deep densely connected convolutional network to predict the loss of input samples. Then, the additional network could be used to suggest unlabeled samples that the deep densely connected convolutional network is more likely to produce a wrong label. Note that the additional network uses the intermediate features of the deep densely connected convolutional network as input. Therefore, the proposed method is an end-to-end framework. Subsequently, a few of the selected samples are labelled manually and added to the training samples. The deep densely connected convolutional network is therefore trained using the new training set. Finally, the steps above are repeated to train the whole framework iteratively. Extensive experiments illustrates that the method proposed could reach a high accuracy in classification after selecting just a few samples.
• Abstract（参考訳）: ディープラーニングに基づく手法は、ここ数年でハイパースペクトル画像分類において大きな人気を集めている。 しかし、深層学習の成功は、多くのラベル付きサンプルが原因である。 ラベル付きサンプルを数個だけ使って、ディープラーニングモデルを訓練して高い分類精度に達することは、依然として非常に難しい。 そこで本稿では,ハイパースペクトル画像分類コストを最小化するために,エンド・ツー・エンドでトレーニングしたアクティブなディープラーニングフレームワークを提案する。 まず, 超スペクトル画像分類には, 深い密結合畳み込みネットワークが考慮される。 従来の能動学習法とは異なり、入力サンプルの損失を予測するために、設計した深い密結合畳み込みネットワークに追加のネットワークを追加する。 次に、追加のネットワークを使用して、深い密結合された畳み込みネットワークが間違ったラベルを生成する可能性が高いというラベルのないサンプルを提案することができる。 追加のネットワークは、深い密結合された畳み込みネットワークの中間的特徴を入力として利用する。 したがって,提案手法はエンドツーエンドのフレームワークである。 その後、選択されたサンプルのいくつかを手動でラベル付けし、トレーニングサンプルに追加する。 したがって、深い密結合された畳み込みネットワークは、新しいトレーニングセットを使用して訓練される。 最後に、上記のステップを繰り返してフレームワーク全体を反復的にトレーニングする。 広範な実験により,提案手法は数試料のみを選択した後に高い精度で分類できることが示されている。

関連論文リスト

• Pushing the Envelope for Depth-Based Semi-Supervised 3D Hand Pose Estimation with Consistency Training [2.6954666679827137]
  ラベル付きトレーニングデータへの依存を著しく低減する半教師付き手法を提案する。 提案手法は,教師ネットワークと学生ネットワークの2つの同一ネットワークを共同で訓練した。 実験により,提案手法は最先端の半教師付き手法よりも大きなマージンで優れていることが示された。
  論文  参考訳（メタデータ） (2023-03-27T12:32:49Z)
• Deep Residual Compensation Convolutional Network without Backpropagation [0.0]
  数百の層でトレーニングされたPCANetライクなネットワークである残差補償畳み込みネットワークを導入する。 分類誤差を修正するため,各層に先行する各層の残余情報から得られた新しいラベルを学習する。 実験の結果、我々のディープネットワークは既存のPCANetのようなネットワークよりも優れており、従来の勾配モデルと競合していることがわかった。
  論文  参考訳（メタデータ） (2023-01-27T11:45:09Z)
• Layer Ensembles [95.42181254494287]
  本稿では,ネットワークの各層に対する独立なカテゴリ分布の集合を考慮した不確実性推定手法を提案する。 その結果,メモリと実行時間が少なくなるモデルが得られた。
  論文  参考訳（メタデータ） (2022-10-10T17:52:47Z)
• Neural Maximum A Posteriori Estimation on Unpaired Data for Motion Deblurring [87.97330195531029]
  本稿では、ニューラルネットワークをトレーニングし、失明したデータから視覚情報や鋭いコンテンツを復元するためのニューラルネットワークの最大Aポストエリオリ(NeurMAP)推定フレームワークを提案する。 提案されたNeurMAPは、既存のデブロアリングニューラルネットワークに対するアプローチであり、未使用データセット上のイメージデブロアリングネットワークのトレーニングを可能にする最初のフレームワークである。
  論文  参考訳（メタデータ） (2022-04-26T08:09:47Z)
• All at Once Network Quantization via Collaborative Knowledge Transfer [56.95849086170461]
  オールオンス量子化ネットワークを効率的にトレーニングするための新しい共同知識伝達アプローチを開発しています。 具体的には、低精度の学生に知識を伝達するための高精度のエンクォータを選択するための適応的選択戦略を提案する。 知識を効果的に伝達するために,低精度の学生ネットワークのブロックを高精度の教師ネットワークのブロックにランダムに置き換える動的ブロックスワッピング法を開発した。
  論文  参考訳（メタデータ） (2021-03-02T03:09:03Z)
• Semi-supervised deep learning based on label propagation in a 2D embedded space [117.9296191012968]
  提案されたソリューションは、少数の教師なしイメージから多数の教師なしイメージにラベルを伝達し、ディープニューラルネットワークモデルをトレーニングする。 本稿では、より正確なラベル付きサンプルを反復してセットから深層ニューラルネットワーク(VGG-16)をトレーニングするループを提案する。 ラベル付きセットがイテレーションに沿って改善されるにつれて、ニューラルネットワークの機能が改善される。
  論文  参考訳（メタデータ） (2020-08-02T20:08:54Z)
• ESPN: Extremely Sparse Pruned Networks [50.436905934791035]
  簡単な反復マスク探索法により,非常に深いネットワークの最先端の圧縮を実現することができることを示す。 本アルゴリズムは,シングルショット・ネットワーク・プルーニング法とロッテ・ティケット方式のハイブリッド・アプローチを示す。
  論文  参考訳（メタデータ） (2020-06-28T23:09:27Z)
• Digit Image Recognition Using an Ensemble of One-Versus-All Deep Network Classifiers [2.385916960125935]
  本稿では,デジタル画像認識とテストのための新しい手法を実装し,その上で評価する。 アンサンブル内の全てのネットワークは、SGDMA(Gradient Descent with Momentum)を用いたOVAトレーニング技術によって訓練されている。 提案手法は,全データセットの数値画像認識におけるベースラインよりも優れている。
  論文  参考訳（メタデータ） (2020-06-28T15:37:39Z)
• ReMarNet: Conjoint Relation and Margin Learning for Small-Sample Image Classification [49.87503122462432]
  ReMarNet(Relation-and-Margin Learning Network)と呼ばれるニューラルネットワークを導入する。 本手法は,上記2つの分類機構の双方において優れた性能を発揮する特徴を学習するために,異なるバックボーンの2つのネットワークを組み立てる。 4つの画像データセットを用いた実験により,本手法はラベル付きサンプルの小さな集合から識別的特徴を学習するのに有効であることが示された。
  論文  参考訳（メタデータ） (2020-06-27T13:50:20Z)

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。