論文の概要: Few-Shot Hyperspectral Image Classification With Unknown Classes Using Multitask Deep Learning

• arxiv url: http://arxiv.org/abs/2009.03508v1
• Date: Tue, 8 Sep 2020 03:53:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-20 21:11:05.219519
• Title: Few-Shot Hyperspectral Image Classification With Unknown Classes Using Multitask Deep Learning
• Title（参考訳）: マルチタスクディープラーニングを用いた未知クラスによる少数ショットハイパースペクトル画像分類
• Authors: Shengjie Liu, Qian Shi, and Liangpei Zhang
• Abstract要約: 現在のハイパースペクトル画像分類は、事前に定義された分類体系が閉じて完成していると仮定する。 オープンワールドにおける分類と再構築を同時に行う深層学習手法を提案する。 提案手法は,特に数点の文脈下で,より高精度なハイパースペクトル画像分類を実現する。
• 参考スコア（独自算出の注目度）: 24.02524697784525
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Current hyperspectral image classification assumes that a predefined classification system is closed and complete, and there are no unknown or novel classes in the unseen data. However, this assumption may be too strict for the real world. Often, novel classes are overlooked when the classification system is constructed. The closed nature forces a model to assign a label given a new sample and may lead to overestimation of known land covers (e.g., crop area). To tackle this issue, we propose a multitask deep learning method that simultaneously conducts classification and reconstruction in the open world (named MDL4OW) where unknown classes may exist. The reconstructed data are compared with the original data; those failing to be reconstructed are considered unknown, based on the assumption that they are not well represented in the latent features due to the lack of labels. A threshold needs to be defined to separate the unknown and known classes; we propose two strategies based on the extreme value theory for few-shot and many-shot scenarios. The proposed method was tested on real-world hyperspectral images; state-of-the-art results were achieved, e.g., improving the overall accuracy by 4.94% for the Salinas data. By considering the existence of unknown classes in the open world, our method achieved more accurate hyperspectral image classification, especially under the few-shot context.
• Abstract（参考訳）: 現在のハイパースペクトル画像分類では、事前定義された分類システムは閉かつ完備であり、未知のデータには未知のクラスや新しいクラスは存在しないと仮定している。 しかし、この仮定は現実の世界には厳しすぎるかもしれない。 分類体系が構築されると、新しいクラスを見落としてしまうことが多い。 閉じた自然は、モデルに新しいサンプルが与えられたラベルを割り当てさせ、既知の土地被覆(例えば作物面積)を過大評価させる可能性がある。 そこで我々は,未知のクラスが存在するオープンワールド(MDL4OW)において,分類と再構築を同時に行うマルチタスク深層学習手法を提案する。 復元されたデータは元のデータと比較されるが、ラベルの欠如により潜在的な特徴によく表されていないという前提から復元できないものは未知であると考えられる。 未知のクラスと既知のクラスを分離するためには,しきい値を定義する必要がある。 提案手法は実世界のハイパースペクトラル画像を用いてテストを行い,salinasデータ全体の精度を4.94%向上させた。 オープン世界に未知のクラスが存在することを考慮し,より高精度なハイパースペクトル画像分類,特にマイノリティ・ショット・コンテキストを実現した。

関連論文リスト

• Open-world Semi-supervised Novel Class Discovery [12.910670907071523]
  オープンワールドのセミ教師付き新しいクラス発見手法であるOpenNCDを紹介した。 提案手法は, 相互強化された2つの部分から構成される。まず, 両レベルのコントラスト学習手法を導入し, プロトタイプのペアワイドな類似性を維持する。 提案手法は,特にクラスやラベルの少ないオープンワールドシナリオにおいて有効であることを示す。
  論文  参考訳（メタデータ） (2023-05-22T14:59:50Z)
• Fine-Grained ImageNet Classification in the Wild [0.0]
  ロバストネステストは、典型的なモデル評価段階で気づかないいくつかの脆弱性やバイアスを明らかにすることができる。 本研究では,階層的知識の助けを借りて,密接に関連するカテゴリのきめ細かい分類を行う。
  論文  参考訳（メタデータ） (2023-03-04T12:25:07Z)
• Novel Class Discovery without Forgetting [72.52222295216062]
  我々は NCDwF: Novel Class Discovery without Forgetting の新たな実用的問題設定を特定し,定式化する。 ラベルのないデータから新しいカテゴリのインスタンスを段階的に発見する機械学習モデルを提案する。 CIFAR-10, CIFAR-100, ImageNet-1000に基づく実験プロトコルを導入し, 知識保持と新しいクラス発見のトレードオフを測定する。
  論文  参考訳（メタデータ） (2022-07-21T17:54:36Z)
• Few-shot Open-set Recognition Using Background as Unknowns [58.04165813493666]
  未使用のオープンセット認識は、見知らぬクラスの限られた訓練データしか持たない、目に見える画像と新しい画像の両方を分類することを目的としている。 提案手法は,複数のベースラインより優れるだけでなく,3つのベンチマークで新たな結果が得られた。
  論文  参考訳（メタデータ） (2022-07-19T04:19:29Z)
• Learning from Multiple Unlabeled Datasets with Partial Risk Regularization [80.54710259664698]
  本稿では,クラスラベルを使わずに正確な分類器を学習することを目的とする。 まず、与えられたラベルのない集合から推定できる分類リスクの偏りのない推定器を導出する。 その結果、経験的リスクがトレーニング中に負になるにつれて、分類器が過度に適合する傾向があることが判明した。 実験により,本手法は,複数の未ラベル集合から学習する最先端の手法を効果的に緩和し,性能を向上することを示した。
  論文  参考訳（メタデータ） (2022-07-04T16:22:44Z)
• Generalized Category Discovery [148.32255950504182]
  本稿では,ラベル付き画像集合とラベル付き画像集合とを併用した画像認識手法を提案する。 ここでは、未表示の画像はラベル付きクラスから、あるいは新しいものから来ているかもしれない。 まず、新しいカテゴリー発見から最先端のアルゴリズムを取り入れ、そのタスクに適応することで、強力なベースラインを確立する。 次に、単純だが効果的な半教師付き$k$-meansメソッドを導入する。
  論文  参考訳（メタデータ） (2022-01-07T18:58:35Z)
• Open-World Semi-Supervised Learning [66.90703597468377]
  本稿では,従来のクラスを認識するためにモデルを必要とする,新しいオープンワールド半教師付き学習環境を提案する。 データの分類とクラスタ化を同時に行うアプローチであるORCAを提案する。 我々は,ORCAが新しいクラスを正確に発見し,ベンチマーク画像分類データセット上で以前に見られたクラスにサンプルを割り当てることを示した。
  論文  参考訳（メタデータ） (2021-02-06T07:11:07Z)
• 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)
• No Subclass Left Behind: Fine-Grained Robustness in Coarse-Grained Classification Problems [20.253644336965042]
  実世界の分類タスクでは、各クラスは、しばしば複数のよりきめ細かい「サブクラス」を含む。 サブクラスラベルは頻繁に利用できないため、粗粒度のクラスラベルのみを使用してトレーニングされたモデルは、異なるサブクラス間で高い可変性能を示すことが多い。 本稿では,サブクラスラベルが不明な場合でも,隠れ層化を計測・緩和するGEORGEを提案する。
  論文  参考訳（メタデータ） (2020-11-25T18:50:32Z)

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。