Fugu-MT 論文翻訳(概要): Multi-class segmentation under severe class imbalance: A case study in roof damage assessment

論文の概要: Multi-class segmentation under severe class imbalance: A case study in roof damage assessment

arxiv url: http://arxiv.org/abs/2010.07151v2
Date: Wed, 18 Nov 2020 19:00:48 GMT
ステータス: 処理完了
システム内更新日: 2022-10-07 13:47:51.699856
Title: Multi-class segmentation under severe class imbalance: A case study in roof damage assessment
Title（参考訳）: 重度クラス不均衡下における多層セグメンテーション:屋根損傷評価における事例研究
Authors: Jean-Baptiste Boin, Nat Roth, Jigar Doshi, Pablo Llueca, Nicolas Borensztein
Abstract要約: 頭上画像からのルーフ損傷分類とセグメンテーションは、ユニークな課題である。この作業では、強いクラス不均衡によって生じる課題に対処することを選択します。この問題の緩和を目的とした4つの異なる手法を提案する。
参考スコア（独自算出の注目度）: 2.5962674918633697
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The task of roof damage classification and segmentation from overhead imagery presents unique challenges. In this work we choose to address the challenge posed due to strong class imbalance. We propose four distinct techniques that aim at mitigating this problem. Through a new scheme that feeds the data to the network by oversampling the minority classes, and three other network architectural improvements, we manage to boost the macro-averaged F1-score of a model by 39.9 percentage points, thus achieving improved segmentation performance, especially on the minority classes.
Abstract（参考訳）: 屋根の損傷分類と頭上画像からのセグメンテーションの課題は, 独特な課題である。この作業では、強いクラス不均衡によって生じる課題に対処することを選択します。この問題を軽減するための4つの異なる手法を提案する。マイノリティクラスをオーバーサンプリングすることでデータをネットワークに供給する新たなスキームと、その他の3つのネットワークアーキテクチャの改善により、モデルのマクロ平均F1スコアを39.9%向上させ、特にマイノリティクラスにおいてセグメンテーション性能の向上を実現する。

関連論文リスト

Balancing the Scales: A Comprehensive Study on Tackling Class Imbalance in Binary Classification [0.8287206589886881]
本研究は、クラス不均衡を扱うために広く利用されている3つの戦略を包括的に評価する。これらの手法を、15種類の機械学習モデルにまたがる非干渉のベースラインシナリオと比較する。以上の結果から,3つの戦略がすべてベースラインを上回り,決定閾値が最も一貫して有効な手法として出現することが示唆された。
論文参考訳（メタデータ） (2024-09-29T16:02:32Z)
Neural Collapse Terminus: A Unified Solution for Class Incremental Learning and Its Variants [166.916517335816]
本稿では,3つの課題における不整合ジレンマに対する統一解を提案する。ラベル空間全体の最大等角的クラス間分離を有する固定構造である神経崩壊終端を提案する。本手法は,データ不均衡やデータ不足にかかわらず,神経崩壊最適度を漸進的に保持する。
論文参考訳（メタデータ） (2023-08-03T13:09:59Z)
S3C: Self-Supervised Stochastic Classifiers for Few-Shot Class-Incremental Learning [22.243176199188238]
FSCIL(Few-shot class-incremental Learning)は、既に学習済みのクラスについての知識を忘れずに、ラベル付きサンプルがほとんどない新しいクラスについて徐々に学習することを目的としている。 FSCILには2つの大きな課題がある: (i) 限られたデータ量のために新しいクラスに過度に適合すること、 (ii) 段階的にこれらのクラスからのデータが利用できないために古いクラスを破滅的に忘れること。
論文参考訳（メタデータ） (2023-07-05T12:41:46Z)
Harmonizing Base and Novel Classes: A Class-Contrastive Approach for Generalized Few-Shot Segmentation [78.74340676536441]
本稿では,プロトタイプの更新を規制し,プロトタイプ間の距離を広くするために,クラス間のコントラスト損失とクラス関係損失を提案する。提案手法は,PASCAL VOC および MS COCO データセット上での一般化された小ショットセグメンテーションタスクに対して,新しい最先端性能を実現する。
論文参考訳（メタデータ） (2023-03-24T00:30:25Z)
Mining Minority-class Examples With Uncertainty Estimates [102.814407678425]
現実世界では、オブジェクトの発生頻度は自然にスキューされ、長い尾のクラス分布を形成する。これらの課題を克服する効果的な、しかし簡単なアプローチを提案する。我々のフレームワークは、抑制されたテールクラスのアクティベーションを強化し、その後、1クラスのデータ中心アプローチを使用して、テールクラスの例を効果的に識別する。
論文参考訳（メタデータ） (2021-12-15T02:05:02Z)
Cross-Site Severity Assessment of COVID-19 from CT Images via Domain Adaptation [64.59521853145368]
CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
論文参考訳（メタデータ） (2021-09-08T07:56:51Z)
Generalized and Incremental Few-Shot Learning by Explicit Learning and Calibration without Forgetting [86.56447683502951]
これらの課題を明確かつ効果的に解決できる3段階のフレームワークを提案する。提案手法を,画像とビデオの断片分類のための4つの挑戦的ベンチマークデータセット上で評価した。
論文参考訳（メタデータ） (2021-08-18T14:21:43Z)
Analyzing Overfitting under Class Imbalance in Neural Networks for Image Segmentation [19.259574003403998]
画像分割では、ニューラルネットワークは小さな構造物の前景サンプルに過剰に適合する可能性がある。本研究では,ネットワークの動作を検査することにより,クラス不均衡下でのオーバーフィッティング問題に対する新たな知見を提供する。
論文参考訳（メタデータ） (2021-02-20T14:57:58Z)
Prior Guided Feature Enrichment Network for Few-Shot Segmentation [64.91560451900125]
最先端のセマンティックセグメンテーション手法は、良い結果を得るために十分なラベル付きデータを必要とする。少数のラベル付きサポートサンプルを持つ新しいクラスに迅速に適応するモデルを学習することで,この問題に対処するためのショットセグメンテーションが提案されている。これらのフレームワークは、高レベルのセマンティック情報の不適切な使用により、目に見えないクラスにおける一般化能力の低下という課題に直面している。
論文参考訳（メタデータ） (2020-08-04T10:41:32Z)

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。