論文の概要: Unsupervised Self-training Algorithm Based on Deep Learning for Optical Aerial Images Change Detection

• arxiv url: http://arxiv.org/abs/2010.07469v2
• Date: Thu, 22 Oct 2020 07:28:12 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-07 03:09:07.874521
• Title: Unsupervised Self-training Algorithm Based on Deep Learning for Optical Aerial Images Change Detection
• Title（参考訳）: 光空中画像変化検出のための深層学習に基づく教師なし自己学習アルゴリズム
• Authors: Yuan Zhou, Xiangrui Li
• Abstract要約: 本稿では,光学的空中画像変化検出のための教師なし自己学習アルゴリズム(USTA)を提案する。 アルゴリズム全体のプロセスは、手動でマークされたラベルなしで教師なしのプロセスである。 実データを用いた実験により,提案手法の競合性能が示された。
• 参考スコア（独自算出の注目度）: 17.232244800511523
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Optical aerial images change detection is an important task in earth observation and has been extensively investigated in the past few decades. Generally, the supervised change detection methods with superior performance require a large amount of labeled training data which is obtained by manual annotation with high cost. In this paper, we present a novel unsupervised self-training algorithm (USTA) for optical aerial images change detection. The traditional method such as change vector analysis is used to generate the pseudo labels. We use these pseudo labels to train a well designed convolutional neural network. The network is used as a teacher to classify the original multitemporal images to generate another set of pseudo labels. Then two set of pseudo labels are used to jointly train a student network with the same structure as the teacher. The final change detection result can be obtained by the trained student network. Besides, we design an image filter to control the usage of change information in the pseudo labels in the training process of the network. The whole process of the algorithm is an unsupervised process without manually marked labels. Experimental results on the real datasets demonstrate competitive performance of our proposed method.
• Abstract（参考訳）: 光空中画像変化検出は地球観測において重要な課題であり、過去数十年にわたって広く研究されてきた。 一般に、優れた性能を有する教師付き変更検出方法は、手動アノテーションにより高コストで得られる大量のラベル付きトレーニングデータを必要とする。 本稿では,光学的空中画像変化検出のための教師なし自己学習アルゴリズム(USTA)を提案する。 変化ベクトル解析のような従来の手法は擬似ラベルを生成するために用いられる。 これらの擬似ラベルを用いて、よく設計された畳み込みニューラルネットワークを訓練する。 ネットワークは教師として、元のマルチテンポラルイメージを分類し、別の擬似ラベルを生成する。 次に、2組の疑似ラベルを用いて、教師と同じ構造を持つ学生ネットワークを共同で訓練する。 最終変更検出結果は、訓練された学生ネットワークによって得ることができる。 さらに、ネットワークのトレーニングプロセスにおいて、擬似ラベルにおける変更情報の利用を制御するための画像フィルタを設計する。 アルゴリズムの全プロセスは教師なしのプロセスであり、手動でラベルを付けない。 実データを用いた実験により,提案手法の競合性能を示す。

関連論文リスト

• Transductive Learning for Near-Duplicate Image Detection in Scanned Photo Collections [0.0]
  本稿では,実世界のユースケースシナリオにおける近距離画像検出技術の比較研究について述べる。 本稿では、畳み込みニューラルネットワーク(CNN)や視覚変換器(ViT)といった最先端のディープラーニングアーキテクチャを活用するトランスダクティブ学習手法を提案する。 提案手法は,UKBenchと社内のプライベートデータセットにおいて,ほぼ重複画像検出のタスクにおいて,ベースライン手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-10-25T09:56:15Z)
• Improving Model Training via Self-learned Label Representations [5.969349640156469]
  より洗練されたラベル表現は、通常のワンホット符号化よりも分類に適していることが示される。 分類タスクの学習中にラベル表現を同時に学習する適応ラベル付き学習(LwAL)アルゴリズムを提案する。 我々のアルゴリズムは無視可能な追加パラメータを導入し、計算オーバーヘッドを最小限に抑える。
  論文  参考訳（メタデータ） (2022-09-09T21:10:43Z)
• Seamless Iterative Semi-Supervised Correction of Imperfect Labels in Microscopy Images [57.42492501915773]
  生体内試験は、医療機器の毒性に対する動物実験の代替手段である。 人間の疲労は、深層学習を魅力的なものにするために、エラー作成に重要な役割を果たします。 我々は、不完全ラベルのシームレス反復半監督補正(SISSI)を提案する。 本手法は,物体検出に適応的な早期学習補正技術を提供する。
  論文  参考訳（メタデータ） (2022-08-05T18:52:20Z)
• Weakly Supervised Change Detection Using Guided Anisotropic Difusion [97.43170678509478]
  我々は、このようなデータセットを変更検出の文脈で活用するのに役立つ独自のアイデアを提案する。 まず,意味的セグメンテーション結果を改善する誘導異方性拡散(GAD)アルゴリズムを提案する。 次に、変化検出に適した2つの弱い教師付き学習戦略の可能性を示す。
  論文  参考訳（メタデータ） (2021-12-31T10:03:47Z)
• When Deep Learners Change Their Mind: Learning Dynamics for Active Learning [32.792098711779424]
  本稿では,情報量に基づく能動的学習手法を提案する。 我々の測度はニューラルネットワークの学習力学から導かれる。 ラベル分散はネットワークの不確実性の予測因子として有望であることを示す。
  論文  参考訳（メタデータ） (2021-07-30T15:30:17Z)
• Data Augmentation for Object Detection via Differentiable Neural Rendering [71.00447761415388]
  注釈付きデータが乏しい場合、堅牢なオブジェクト検出器を訓練することは困難です。 この問題に対処する既存のアプローチには、ラベル付きデータからラベル付きデータを補間する半教師付き学習が含まれる。 オブジェクト検出のためのオフラインデータ拡張手法を導入し、新しいビューでトレーニングデータを意味的に補間する。
  論文  参考訳（メタデータ） (2021-03-04T06:31:06Z)
• Instance Localization for Self-supervised Detection Pretraining [68.24102560821623]
  インスタンスローカリゼーションと呼ばれる,新たな自己監視型プリテキストタスクを提案する。 境界ボックスを事前学習に組み込むことで、より優れたタスクアライメントとアーキテクチャアライメントが促進されることを示す。 実験結果から, オブジェクト検出のための最先端の転送学習結果が得られた。
  論文  参考訳（メタデータ） (2021-02-16T17:58:57Z)
• A Weakly Supervised Convolutional Network for Change Segmentation and Classification [91.3755431537592]
  W-CDNetは、画像レベルのセマンティックラベルでトレーニングできる、弱い教師付き変更検出ネットワークである。 W-CDNetは、2つの異なるタイプのデータセットでトレーニングすることができる。
  論文  参考訳（メタデータ） (2020-11-06T20:20:45Z)
• Attention-Aware Noisy Label Learning for Image Classification [97.26664962498887]
  大規模ラベル付きサンプルで学習した深層畳み込みニューラルネットワーク(CNN)は、コンピュータビジョンにおいて顕著な進歩を遂げている。 大量のラベル付きビジュアルデータを取得する最も安価な方法は、Flickrのようなユーザーが提供するラベルでウェブサイトからクロールすることである。 本稿では,潜在的なラベルノイズのあるデータセットに基づいて学習したネットワークの識別能力を向上させるために,注目に敏感なラベル学習手法を提案する。
  論文  参考訳（メタデータ） (2020-09-30T15:45:36Z)
• Graph Neural Networks for UnsupervisedDomain Adaptation of Histopathological ImageAnalytics [22.04114134677181]
  組織像解析のための教師なし領域適応のための新しい手法を提案する。 特徴空間に画像を埋め込むバックボーンと、ラベルで画像の監視信号をプロパゲートするグラフニューラルネットワーク層に基づいている。 実験では、4つの公開データセット上での最先端のパフォーマンスを評価する。
  論文  参考訳（メタデータ） (2020-08-21T04:53:44Z)
• What Do Neural Networks Learn When Trained With Random Labels? [20.54410239839646]
  我々は、完全にランダムなラベルを持つ自然画像データに基づいて訓練されたディープニューラルネットワーク(DNN)について研究する。 ネットワークパラメータとデータの主成分間のアライメントをランダムラベルでトレーニングする場合に行う畳み込みネットワークと完全連結ネットワークを解析的に示す。 ランダムラベルで事前トレーニングされたネットワークは、スクラッチからのトレーニングに比べて、下流でのトレーニングを高速化する。
  論文  参考訳（メタデータ） (2020-06-18T12:07:22Z)

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。