論文の概要: RS-MetaNet: Deep meta metric learning for few-shot remote sensing scene
classification
- arxiv url: http://arxiv.org/abs/2009.13364v1
- Date: Mon, 28 Sep 2020 14:34:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-13 22:18:15.195279
- Title: RS-MetaNet: Deep meta metric learning for few-shot remote sensing scene
classification
- Title（参考訳）: RS-MetaNet:数ショットリモートセンシングシーン分類のための深層メタメトリック学習
- Authors: Haifeng Li, Zhenqi Cui, Zhiqing Zhu, Li Chen, Jiawei Zhu, Haozhe
Huang, Chao Tao
- Abstract要約: 本研究では,実世界のリモートセンシングシーンの分類に関する問題を解決するため,RS-MetaNetを提案する。
一方、RS-MetaNetは、メタ方法でトレーニングを組織することで、サンプルからタスクへの学習レベルを高め、一連のタスクからリモートセンシングシーンを適切に分類できるメトリクス空間を学習する。
また,各カテゴリ間の距離を最大化することにより,モデルから新しいサンプルへの一般化能力を最大化する「バランスロス」という新たな損失関数を提案する。
- 参考スコア（独自算出の注目度）: 9.386331325959766
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Training a modern deep neural network on massive labeled samples is the main
paradigm in solving the scene classification problem for remote sensing, but
learning from only a few data points remains a challenge. Existing methods for
few-shot remote sensing scene classification are performed in a sample-level
manner, resulting in easy overfitting of learned features to individual samples
and inadequate generalization of learned category segmentation surfaces. To
solve this problem, learning should be organized at the task level rather than
the sample level. Learning on tasks sampled from a task family can help tune
learning algorithms to perform well on new tasks sampled in that family.
Therefore, we propose a simple but effective method, called RS-MetaNet, to
resolve the issues related to few-shot remote sensing scene classification in
the real world. On the one hand, RS-MetaNet raises the level of learning from
the sample to the task by organizing training in a meta way, and it learns to
learn a metric space that can well classify remote sensing scenes from a series
of tasks. We also propose a new loss function, called Balance Loss, which
maximizes the generalization ability of the model to new samples by maximizing
the distance between different categories, providing the scenes in different
categories with better linear segmentation planes while ensuring model fit. The
experimental results on three open and challenging remote sensing datasets,
UCMerced\_LandUse, NWPU-RESISC45, and Aerial Image Data, demonstrate that our
proposed RS-MetaNet method achieves state-of-the-art results in cases where
there are only 1-20 labeled samples.
- Abstract（参考訳）: 大規模ラベル付きサンプルで最新のディープニューラルネットワークをトレーニングすることは、リモートセンシングのシーン分類問題を解決する主なパラダイムであるが、ほんの数データポイントから学ぶことは依然として課題である。
既設のマイナショットリモートセンシングシーン分類手法をサンプルレベルで実施し、個々のサンプルへの学習特徴のオーバーフィットを容易にし、学習したカテゴリセグメンテーション面の不適切な一般化を実現する。
この問題を解決するためには、学習をサンプルレベルではなくタスクレベルで整理する必要がある。
タスクファミリからサンプリングされたタスクの学習は、そのファミリーでサンプリングされた新しいタスクでうまく機能するように学習アルゴリズムをチューニングするのに役立ちます。
そこで本研究では,実世界における数発のリモートセンシングシーン分類に関わる問題を解決するため,RS-MetaNetと呼ばれるシンプルで効果的な手法を提案する。
一方、RS-MetaNetは、メタ方法でトレーニングを組織することで、サンプルからタスクへの学習レベルを高め、一連のタスクからリモートセンシングシーンを適切に分類できるメトリクス空間を学習する。
また,各カテゴリ間の距離を最大化し,モデル適合性を確保しつつ,異なるカテゴリのシーンにより良い線形セグメンテーション平面を与えることで,モデルの新たなサンプルへの一般化能力を最大化する「バランス損失関数」を提案する。
UCMerced\_LandUse,NWPU-RESISC45,Aerial Image Dataの3つのオープンかつ挑戦的なリモートセンシングデータセットに対する実験結果から,提案手法が1～20個のラベル付きサンプルしか存在しない場合に,最先端の結果が得られることを示した。
関連論文リスト
- Pushing the Limits of Simple Pipelines for Few-Shot Learning: External
Data and Fine-Tuning Make a Difference [74.80730361332711]
コンピュータビジョンにおいて、ほとんどショット学習は重要かつトピック的な問題である。
単純なトランスフォーマーベースのパイプラインは、標準ベンチマークで驚くほど優れたパフォーマンスが得られることを示す。
論文 参考訳（メタデータ） (2022-04-15T02:55:58Z) - Discovery-and-Selection: Towards Optimal Multiple Instance Learning for
Weakly Supervised Object Detection [86.86602297364826]
複数インスタンス学習(DS-MIL)と融合した発見・選択手法を提案する。
我々の提案するDS-MILアプローチは,最先端の性能を報告しながら,ベースラインを一貫して改善することができる。
論文 参考訳（メタデータ） (2021-10-18T07:06:57Z) - Sample Efficient Linear Meta-Learning by Alternating Minimization [74.40553081646995]
低次元部分空間と回帰器を交互に学習する簡易交互最小化法(MLLAM)について検討する。
定数部分空間次元に対して、MLLAMはタスクあたり$Omega(log d)$サンプルしか必要とせず、ほぼ最適推定誤差が得られることを示す。
MLLAMと同様の強力な統計的保証を保証する新しいタスクサブセット選択スキームを提案する。
論文 参考訳（メタデータ） (2021-05-18T06:46:48Z) - Exploiting Invariance in Training Deep Neural Networks [4.169130102668252]
動物視覚システムの2つの基本的なメカニズムに触発され、ディープニューラルネットワークのトレーニングに不変性を与える特徴変換技術を紹介します。
結果として得られるアルゴリズムはパラメータチューニングを少なくし、初期学習率1.0でうまくトレーニングし、異なるタスクに簡単に一般化する。
ImageNet、MS COCO、Cityscapesデータセットでテストされた当社の提案手法は、トレーニングにより少ないイテレーションを必要とし、すべてのベースラインを大きなマージンで上回り、小規模および大規模のバッチサイズのトレーニングをシームレスに行い、画像分類、オブジェクト検出、セマンティックセグメンテーションの異なるコンピュータビジョンタスクに適用します。
論文 参考訳（メタデータ） (2021-03-30T19:18:31Z) - Region Comparison Network for Interpretable Few-shot Image
Classification [97.97902360117368]
新しいクラスのモデルをトレーニングするために、ラベル付きサンプルの限られた数だけを効果的に活用するための画像分類が提案されている。
本研究では,領域比較ネットワーク (RCN) と呼ばれる距離学習に基づく手法を提案する。
また,タスクのレベルからカテゴリへの解釈可能性の一般化も提案する。
論文 参考訳（メタデータ） (2020-09-08T07:29:05Z) - Adaptive Task Sampling for Meta-Learning [79.61146834134459]
数ショットの分類のためのメタラーニングの鍵となるアイデアは、テスト時に直面した数ショットの状況を模倣することである。
一般化性能を向上させるための適応型タスクサンプリング手法を提案する。
論文 参考訳（メタデータ） (2020-07-17T03:15:53Z) - Few Is Enough: Task-Augmented Active Meta-Learning for Brain Cell
Classification [8.998976678920236]
本稿では,Deep Neural Networks を新しいタスクに効率的に適応する tAsk-auGmented actIve meta-LEarning (AGILE) 手法を提案する。
AGILEはメタ学習アルゴリズムと,初期適応モデルを生成するための新しいタスク拡張手法を組み合わせる。
提案するタスク強化メタラーニングフレームワークは,1段階の段階を経て,新たな細胞タイプを分類することができることを示す。
論文 参考訳（メタデータ） (2020-07-09T18:03:12Z) - One-Shot Object Detection without Fine-Tuning [62.39210447209698]
本稿では,第1ステージのMatching-FCOSネットワークと第2ステージのStructure-Aware Relation Moduleからなる2段階モデルを提案する。
また,検出性能を効果的に向上する新たなトレーニング戦略を提案する。
提案手法は,複数のデータセット上で一貫した最先端のワンショット性能を上回る。
論文 参考訳（メタデータ） (2020-05-08T01:59:23Z) - Dynamic Sampling for Deep Metric Learning [7.010669841466896]
深度メートル法学習は、視覚的に類似した画像を近くの場所にマッピングし、埋め込み多様体内の互いに視覚的に異なる画像を分離する。
トレーニングペアをネットワークに送受信し易い順に整理する動的サンプリング戦略を提案する。
これにより、ネットワークは、初期の簡単なトレーニングペアからカテゴリ間の一般的な境界を学習し、後のハードトレーニングサンプルに主に依存したモデルの詳細を確定することができる。
論文 参考訳（メタデータ） (2020-04-24T09:47:23Z) - Task-Adaptive Clustering for Semi-Supervised Few-Shot Classification [23.913195015484696]
未確認のタスクを、少量の新しいトレーニングデータだけで処理することを目的としている。
しかし、数ショットの学習者が準備(メタトレーニング)する際には、大量のラベル付きデータが必要である。
そこで本研究では,トレーニングデータの大部分がラベル付けされていない半教師付き環境下で動作可能な,数発の学習者を提案する。
論文 参考訳（メタデータ） (2020-03-18T13:50:19Z)
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。