論文の概要: Multi-task Learning for Human Settlement Extent Regression and Local
Climate Zone Classification
- arxiv url: http://arxiv.org/abs/2011.11452v1
- Date: Mon, 23 Nov 2020 14:54:13 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-22 03:05:58.719906
- Title: Multi-task Learning for Human Settlement Extent Regression and Local
Climate Zone Classification
- Title（参考訳）: マルチタスク・ラーニングによる人的定住状況の回帰と地域気候ゾーンの分類
- Authors: Chunping Qiu, Lukas Liebel, Lloyd H. Hughes, Michael Schmitt, Marco
K\"orner, and Xiao Xiang Zhu
- Abstract要約: HSE(Human Settlement Extent)とLCZ(Local Climate Zone)の地図は、持続可能な都市開発や都市ヒートアイランド(UHI)の研究に欠かせない情報源である。
リモートセンシング(RS)と深層学習(DL)に基づく分類アプローチは,グローバルマッピングの可能性を秘めている。
ほとんどの取り組みは2つのスキームのうちの1つにのみ焦点を絞っている。
本稿では,HSE回帰とLCZ分類において,マルチタスク学習(MTL)の概念を初めて導入する。
- 参考スコア（独自算出の注目度）: 13.6334717951406
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Human Settlement Extent (HSE) and Local Climate Zone (LCZ) maps are both
essential sources, e.g., for sustainable urban development and Urban Heat
Island (UHI) studies. Remote sensing (RS)- and deep learning (DL)-based
classification approaches play a significant role by providing the potential
for global mapping. However, most of the efforts only focus on one of the two
schemes, usually on a specific scale. This leads to unnecessary redundancies,
since the learned features could be leveraged for both of these related tasks.
In this letter, the concept of multi-task learning (MTL) is introduced to HSE
regression and LCZ classification for the first time. We propose a MTL
framework and develop an end-to-end Convolutional Neural Network (CNN), which
consists of a backbone network for shared feature learning, attention modules
for task-specific feature learning, and a weighting strategy for balancing the
two tasks. We additionally propose to exploit HSE predictions as a prior for
LCZ classification to enhance the accuracy. The MTL approach was extensively
tested with Sentinel-2 data of 13 cities across the world. The results
demonstrate that the framework is able to provide a competitive solution for
both tasks.
- Abstract（参考訳）: HSE(Human Settlement Extent)とLCZ(Local Climate Zone)はどちらも持続可能な都市開発や都市ヒートアイランド(UHI)研究に欠かせない情報源である。
リモートセンシング(rs)とディープラーニング(dl)に基づく分類アプローチは、グローバルマッピングの可能性を提供することで重要な役割を果たす。
しかしながら、ほとんどの取り組みは2つのスキームのうちの1つにのみ焦点を当てている。
このことは、学習した機能を両方の関連するタスクに活用できるため、不要な冗長性につながる。
本稿では,HSE回帰とLCZ分類において,マルチタスク学習(MTL)の概念を初めて導入する。
我々は,MTLフレームワークを提案し,共通特徴学習のためのバックボーンネットワーク,タスク固有の特徴学習のためのアテンションモジュール,両課題のバランスをとる重み付け戦略からなるエンドツーエンド畳み込みニューラルネットワーク(CNN)を開発した。
また,HSE予測をLCZ分類の先行として活用して精度を高めることを提案する。
MTLアプローチは、世界中の13都市のSentinel-2データで広範囲にテストされた。
その結果、このフレームワークは両方のタスクに競争力のあるソリューションを提供することができた。
関連論文リスト
- SCE-MAE: Selective Correspondence Enhancement with Masked Autoencoder for Self-Supervised Landmark Estimation [20.29438820908913]
自己監督的ランドマーク推定は、局所的な特徴表現の形成を要求する困難なタスクである。
本稿では,高価なハイパーカラムではなく,バニラ特徴マップ上で動作するフレームワークであるSCE-MAEを紹介する。
我々は,SCE-MAEが高効率で頑健であり,既存のSOTA法よりも大きなマージンで優れていることを示す。
論文 参考訳（メタデータ） (2024-05-28T16:14:10Z) - Multi-Task Learning as enabler for General-Purpose AI-native RAN [1.4295558450631414]
本研究では、汎用AIネイティブ無線アクセスネットワーク(RAN)におけるマルチタスク学習(MTL)アプローチの有効性について検討する。
本研究は, (i) セカンダリキャリア予測, (ii) ユーザ位置予測, (iii) 屋内リンク分類, (iv) 視線リンク分類の4つのタスクに焦点を当てた。
モデルアーキテクチャ,損失と勾配のバランス戦略,分散学習トポロジ,データ空間,タスクグループ化など,MLLの多面的設計面を考慮した現実的なシミュレーションによる性能評価を行った。
論文 参考訳（メタデータ） (2024-04-05T21:12:25Z) - Structural Credit Assignment with Coordinated Exploration [0.0]
構造的信用割当の改善を目的とした方法は、一般的に2つのカテゴリに分類される。
本稿では,ボルツマンマシンやリカレントネットワークを協調探索に用いることを提案する。
実験結果から, 協調探査は訓練速度において, 独立探索をはるかに上回っていることがわかった。
論文 参考訳（メタデータ） (2023-07-25T04:55:45Z) - Knowledge Transfer-Driven Few-Shot Class-Incremental Learning [23.163459923345556]
FSCIL(Few-shot class-incremental Learning)は、古いクラスを忘れずに、いくつかのサンプルを使用して新しいクラスを継続的に学習することを目的としている。
既存のFSCIL手法の進歩にもかかわらず、モデルの可塑性の最適化が不十分なため、提案手法は準最適である。
本稿では,多種多様な擬似的漸進的タスクをエージェントとして頼りにし,知識伝達を実現するランダムエピソードサンプリング・拡張(RESA)戦略を提案する。
論文 参考訳（メタデータ） (2023-06-19T14:02:45Z) - USER: Unified Semantic Enhancement with Momentum Contrast for Image-Text
Retrieval [115.28586222748478]
Image-Text Retrieval (ITR) は、与えられたクエリに意味のあるターゲットインスタンスを、他のモダリティから検索することを目的としている。
既存のアプローチは通常、2つの大きな制限に悩まされる。
論文 参考訳（メタデータ） (2023-01-17T12:42:58Z) - Self-Supervised Graph Neural Network for Multi-Source Domain Adaptation [51.21190751266442]
ドメイン適応(DA)は、テストデータがトレーニングデータの同じ分布に完全に従わない場合に、シナリオに取り組む。
大規模未ラベルサンプルから学習することで、自己教師型学習がディープラーニングの新しいトレンドとなっている。
我々は,より効果的なタスク間情報交換と知識共有を実現するために,新しい textbfSelf-textbf Supervised textbfGraph Neural Network (SSG) を提案する。
論文 参考訳（メタデータ） (2022-04-08T03:37:56Z) - Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。
SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
論文 参考訳（メタデータ） (2021-12-12T06:11:16Z) - PGL: Prior-Guided Local Self-supervised Learning for 3D Medical Image
Segmentation [87.50205728818601]
本稿では,潜在特徴空間における局所的一貫性を学習するPGL(PresideedGuided Local)自己教師モデルを提案する。
我々のPGLモデルは、局所領域の特異な表現を学習し、したがって構造情報を保持できる。
論文 参考訳（メタデータ） (2020-11-25T11:03:11Z) - Towards Accurate Knowledge Transfer via Target-awareness Representation
Disentanglement [56.40587594647692]
本稿では,TRED(Target-Awareness Representation Disentanglement)の概念を取り入れた新しいトランスファー学習アルゴリズムを提案する。
TREDは、対象のタスクに関する関連する知識を元のソースモデルから切り離し、ターゲットモデルを微調整する際、レギュレータとして使用する。
各種実世界のデータセットを用いた実験により,本手法は標準微調整を平均2%以上安定的に改善することが示された。
論文 参考訳（メタデータ） (2020-10-16T17:45:08Z) - Dif-MAML: Decentralized Multi-Agent Meta-Learning [54.39661018886268]
我々は,MAML や Dif-MAML と呼ばれる協調型マルチエージェントメタ学習アルゴリズムを提案する。
提案手法により, エージェントの集合が線形速度で合意に達し, 集約MAMLの定常点に収束できることを示す。
シミュレーションの結果は従来の非協調的な環境と比較して理論的な結果と優れた性能を示している。
論文 参考訳（メタデータ） (2020-10-06T16:51:09Z)
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。