論文の概要: Collaboratively boosting data-driven deep learning and knowledge-guided ontological reasoning for semantic segmentation of remote sensing imagery

• arxiv url: http://arxiv.org/abs/2010.02451v1
• Date: Tue, 6 Oct 2020 03:32:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-10 05:26:30.713454
• Title: Collaboratively boosting data-driven deep learning and knowledge-guided ontological reasoning for semantic segmentation of remote sensing imagery
• Title（参考訳）: リモートセンシング画像の意味セグメンテーションのためのデータ駆動型ディープラーニングと知識誘導オントロジ推論の協調的促進
• Authors: Yansheng Li, Song Ouyang, and Yongjun Zhang
• Abstract要約: DSSNはエンドツーエンドのメカニズムでトレーニングでき、低レベルおよび中レベルのキューを使用する能力がある。 人間は優れた推論能力を持ち、RS画像を確実に解釈することができる。 本稿では,データ駆動型ディープラーニングモジュールと知識誘導型オントロジ推論モジュールを組み合わせるための協調的強化フレームワーク(CBF)を提案する。
• 参考スコア（独自算出の注目度）: 2.342488890032597
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As one kind of architecture from the deep learning family, deep semantic segmentation network (DSSN) achieves a certain degree of success on the semantic segmentation task and obviously outperforms the traditional methods based on hand-crafted features. As a classic data-driven technique, DSSN can be trained by an end-to-end mechanism and competent for employing the low-level and mid-level cues (i.e., the discriminative image structure) to understand images, but lacks the high-level inference ability. By contrast, human beings have an excellent inference capacity and can be able to reliably interpret the RS imagery only when human beings master the basic RS domain knowledge. In literature, ontological modeling and reasoning is an ideal way to imitate and employ the domain knowledge of human beings, but is still rarely explored and adopted in the RS domain. To remedy the aforementioned critical limitation of DSSN, this paper proposes a collaboratively boosting framework (CBF) to combine data-driven deep learning module and knowledge-guided ontological reasoning module in an iterative way.
• Abstract（参考訳）: deep semantic segmentation network(dssn)は、ディープラーニングファミリのアーキテクチャのひとつとして、セマンティックセグメンテーションタスクである程度の成功を達成し、手作りの機能に基づいた従来の方法よりも明らかに優れています。 古典的なデータ駆動技術として、DSSNはエンドツーエンドのメカニズムで訓練でき、画像を理解するために低レベルおよび中レベルのキュー(すなわち識別画像構造)を使用する能力があるが、高レベルの推論能力に欠ける。 対照的に、人間は優れた推論能力を持ち、人間が基本的なrsドメイン知識を習得する場合のみ、rsイメージを確実に解釈することができる。 文献において、オントロジ・モデリングと推論は人間のドメイン知識を模倣し利用するための理想的な方法であるが、rsドメインで研究や採用されることは稀である。 本稿では,前述のdssnの限界を解消するために,データ駆動型ディープラーニングモジュールと知識誘導型オントロジ推論モジュールを反復的に組み合わせるための協調強化フレームワーク(cbf)を提案する。

関連論文リスト

• Using Domain Knowledge to Guide Dialog Structure Induction via Neural Probabilistic Soft Logic [21.3531538363406]
  ダイアログ構造誘導(DSI)は、与えられたゴール指向ダイアログの潜在ダイアログ構造を推定するタスクである。 既存のDSIアプローチは、ドメイン知識にアクセスせずに遅延状態を推論する純粋なデータ駆動のデプロイモデルであることが多い。 本稿では,ニューラル確率的ソフト論理対話構造誘導法(NEUPSL DSI)を提案する。
  論文  参考訳（メタデータ） (2024-03-26T16:42:30Z)
• Segment Anything Meets Semantic Communication [15.183506390391988]
  本稿では,Meta AI Research が開発した基礎モデル,特にSegment Anything Model (SAM) のセマンティックコミュニケーション改善への応用について検討する。 SAMのセグメンテーション機能と、セマンティックコーディングのための軽量ニューラルネットワークアーキテクチャを用いて、セマンティックコミュニケーションの実践的アプローチを提案する。
  論文  参考訳（メタデータ） (2023-06-03T11:54:56Z)
• Unsupervised Domain Transfer with Conditional Invertible Neural Networks [83.90291882730925]
  条件付き可逆ニューラルネットワーク(cINN)に基づくドメイン転送手法を提案する。 提案手法は本質的に,その可逆的アーキテクチャによるサイクル一貫性を保証し,ネットワークトレーニングを最大限効率的に行うことができる。 提案手法は,2つの下流分類タスクにおいて,現実的なスペクトルデータの生成を可能にし,その性能を向上する。
  論文  参考訳（メタデータ） (2023-03-17T18:00:27Z)
• Imitation Learning-based Implicit Semantic-aware Communication Networks: Multi-layer Representation and Collaborative Reasoning [68.63380306259742]
  有望な可能性にもかかわらず、セマンティック通信とセマンティック・アウェア・ネットワーキングはまだ初期段階にある。 本稿では,CDCとエッジサーバの複数層を連携させる,推論に基づく暗黙的セマンティック・アウェア通信ネットワークアーキテクチャを提案する。 暗黙的セマンティクスの階層構造と個人ユーザのパーソナライズされた推論嗜好を考慮に入れたセマンティクス情報の多層表現を提案する。
  論文  参考訳（メタデータ） (2022-10-28T13:26:08Z)
• Pin the Memory: Learning to Generalize Semantic Segmentation [68.367763672095]
  本稿ではメタラーニングフレームワークに基づくセマンティックセグメンテーションのための新しいメモリ誘導ドメイン一般化手法を提案する。 本手法は,セマンティッククラスの概念的知識を,ドメインを超えて一定であるカテゴリ記憶に抽象化する。
  論文  参考訳（メタデータ） (2022-04-07T17:34:01Z)
• An explainability framework for cortical surface-based deep learning [110.83289076967895]
  我々は,皮質表面の深層学習のためのフレームワークを開発した。 まず,表面データに摂動に基づくアプローチを適用した。 我々の説明可能性フレームワークは,重要な特徴とその空間的位置を識別できるだけでなく,信頼性と有効性も示している。
  論文  参考訳（メタデータ） (2022-03-15T23:16:49Z)
• Interpretable part-whole hierarchies and conceptual-semantic relationships in neural networks [4.153804257347222]
  本稿では、視覚的手がかりから部分全体階層を表現できるフレームワークであるAgglomeratorについて述べる。 本研究では,SmallNORB,MNIST,FashionMNIST,CIFAR-10,CIFAR-100などの共通データセットを用いて評価を行った。
  論文  参考訳（メタデータ） (2022-03-07T10:56:13Z)
• Explainability-aided Domain Generalization for Image Classification [0.0]
  説明可能性文献から手法やアーキテクチャを適用することで、ドメインの一般化という困難な課題に対して最先端のパフォーマンスを達成できることを示す。 そこで我々は,勾配に基づくクラスアクティベーションマップを用いて学習中にネットワークが指導を受ける手法であるDivCAMを含む新しいアルゴリズムを開発し,多様な識別機能に焦点をあてる。 これらの手法は、説明可能性に加えて競合性能を提供するため、深層ニューラルネットワークアーキテクチャのロバスト性を改善するツールとして使用できると論じる。
  論文  参考訳（メタデータ） (2021-04-05T02:27:01Z)
• Joint Learning of Neural Transfer and Architecture Adaptation for Image Recognition [77.95361323613147]
  現在の最先端の視覚認識システムは、大規模データセット上でニューラルネットワークを事前トレーニングし、より小さなデータセットでネットワーク重みを微調整することに依存している。 本稿では,各ドメインタスクに適応したネットワークアーキテクチャの動的適応と,効率と効率の両面で重みの微調整の利点を実証する。 本手法は,ソースドメインタスクでスーパーネットトレーニングを自己教師付き学習に置き換え,下流タスクで線形評価を行うことにより,教師なしパラダイムに容易に一般化することができる。
  論文  参考訳（メタデータ） (2021-03-31T08:15:17Z)
• Learning a Domain-Agnostic Visual Representation for Autonomous Driving via Contrastive Loss [25.798361683744684]
  ドメイン認識コントラスト学習(Domain-Agnostic Contrastive Learning、DACL)は、2段階の非監視ドメイン適応フレームワークである。 提案手法は,従来の最新手法に比べ,単眼深度推定作業における性能向上を実現した。
  論文  参考訳（メタデータ） (2021-03-10T07:06:03Z)
• Context Decoupling Augmentation for Weakly Supervised Semantic Segmentation [53.49821324597837]
  微調整されたセマンティックセグメンテーションは、近年深く研究されている困難な問題です。 本稿では、オブジェクトが現れる固有のコンテキストを変更する Context Decoupling Augmentation (CDA) メソッドを紹介します。 提案手法の有効性を検証するため, PASCAL VOC 2012データセットにいくつかの代替ネットワークアーキテクチャを用いた広範な実験を行い, CDAが様々なWSSS手法を新たな最先端技術に拡張できることを実証した。
  論文  参考訳（メタデータ） (2021-03-02T15:05:09Z)

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。