論文の概要: Ship Detection: Parameter Server Variant

• arxiv url: http://arxiv.org/abs/2012.00953v1
• Date: Wed, 2 Dec 2020 03:39:24 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-30 16:09:44.464231
• Title: Ship Detection: Parameter Server Variant
• Title（参考訳）: 船の検出:パラメータサーバの変種
• Authors: Benjamin Smith
• Abstract要約: この研究は、カスタマイズ戦略、クラス精度率、トレーニング時間、クラウドベースのソリューションにおけるコストの間の緊張関係について調査する。 我々は、カスタムU-Netが検証データセットで92%、ターゲットデータセットで68%の精度で90%の信頼性が得られることを実証した。
• 参考スコア（独自算出の注目度）: 2.28438857884398
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning ship detection in satellite optical imagery suffers from false positive occurrences with clouds, landmasses, and man-made objects that interfere with correct classification of ships, typically limiting class accuracy scores to 88\%. This work explores the tensions between customization strategies, class accuracy rates, training times, and costs in cloud based solutions. We demonstrate how a custom U-Net can achieve 92\% class accuracy over a validation dataset and 68\% over a target dataset with 90\% confidence. We also compare a single node architecture with a parameter server variant whose workers act as a boosting mechanism. The parameter server variant outperforms class accuracy on the target dataset reaching 73\% class accuracy compared to the best single node approach. A comparative investigation on the systematic performance of the single node and parameter server variant architectures is discussed with support from empirical findings.
• Abstract（参考訳）: 衛星写真における深層学習船の検出は、雲、地塊、人造物体による偽陽性の発生に悩まされ、船の正確な分類に干渉し、通常はクラス精度のスコアを88\%に制限する。 この研究は、クラウドベースのソリューションにおけるカスタマイズ戦略、クラス精度率、トレーニング時間、コストの間の緊張関係を調査します。 我々は、カスタムU-Netが検証データセットで92\%、ターゲットデータセットで68\%の精度を90%の信頼性で達成できることを実証する。 また,単一ノードアーキテクチャと,ワーカがブースティングメカニズムとして機能するパラメータサーバの変種を比較した。 パラメータサーバの変種は、最高の単一ノードアプローチと比較して、ターゲットデータセットのクラス精度が73\%に達する。 単一ノードとパラメータサーバの変動型アーキテクチャの系統的性能に関する比較研究を経験的知見から支援して論じる。

関連論文リスト

• DetOFA: Efficient Training of Once-for-All Networks for Object Detection Using Path Filter [4.487368901635045]
  本稿では,探索空間プルーニングを用いた高効率なスーパーネットベースニューラルネットワーク探索手法を提案する。 提案手法は,最適ネットワークアーキテクチャの計算コストを30%と63%削減する。
  論文  参考訳（メタデータ） (2023-03-23T09:23:11Z)
• Optimizing ship detection efficiency in SAR images [12.829941550630776]
  船舶検出の速度と計算コストは、違法な漁獲を防ぐための時間的介入に不可欠である。 衛星画像のデータセットを用いて,畳み込みニューラルネットワーク(CNN)に基づく物体検出モデルを訓練した。 分類モデルを用いて、検出モデルの平均精度を44%で99.5%、25%で92.7%に近似できることを示した。
  論文  参考訳（メタデータ） (2022-12-12T12:04:10Z)
• Prompt Tuning for Parameter-efficient Medical Image Segmentation [79.09285179181225]
  2つの医用画像データセットのセマンティックセグメンテーションにパラメータ効率が良いが効果的な適応を実現するために,いくつかのコントリビューションを提案し,検討する。 我々はこのアーキテクチャを、オンライン生成プロトタイプへの割り当てに基づく専用密集型セルフスーパービジョンスキームで事前訓練する。 得られたニューラルネットワークモデルにより、完全に微調整されたモデルとパラメータに適応したモデルとのギャップを緩和できることを実証する。
  論文  参考訳（メタデータ） (2022-11-16T21:55:05Z)
• Deep Clustering with Features from Self-Supervised Pretraining [16.023354174462774]
  ディープクラスタリングモデルは概念的には、データポイントを潜在空間にマッピングする特徴抽出器と、データポイントを潜在空間内のクラスタにグループ化するクラスタリングヘッドで構成される。 第1段階では、特徴抽出器は、データポイント間のクラスタ構造の保存を可能にする自己教師付き学習によって訓練される。 我々は,第1段階を,自己教師付き学習を通じて,より大規模なデータセット上で事前訓練された別のモデルに置き換えることを提案する。
  論文  参考訳（メタデータ） (2022-07-27T08:38:45Z)
• Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
  実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。 本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。 本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
  論文  参考訳（メタデータ） (2022-01-11T23:01:12Z)
• On-target Adaptation [82.77980951331854]
  ドメイン適応は、Emphtargetドメインでのトレーニングとテストの間のシフトを軽減することを目指している。 ほとんどの適応法は、ソースデータとターゲットデータに対する共同最適化によるソースデータに依存している。 対象データから純粋に表現を学習するオン・ターゲット適応による大幅な改善を示す。
  論文  参考訳（メタデータ） (2021-09-02T17:04:18Z)
• Towards Reducing Labeling Cost in Deep Object Detection [61.010693873330446]
  本稿では,検知器の不確実性と頑健性の両方を考慮した,アクティブラーニングのための統一的なフレームワークを提案する。 提案手法は, 確率分布のドリフトを抑えながら, 極めて確実な予測を擬似ラベル化することができる。
  論文  参考訳（メタデータ） (2021-06-22T16:53:09Z)
• Optimizing Vessel Trajectory Compression [71.42030830910227]
  前回の研究では,AISの位置情報をオンラインで消費することで,血管軌跡の要約表現を提供するトラジェクトリ検出モジュールを導入しました。 この手法は、生データの少なくとも70%を冗長として廃棄することにより、元のコースからほとんど逸脱しない信頼性の高い軌道合成を提供することができる。 しかし、そのような軌道圧縮はパラメトリゼーションに非常に敏感である。 各容器のタイプを考慮し, 軌道のシナプスを改良する適切な構成を提供する。
  論文  参考訳（メタデータ） (2020-05-11T20:38:56Z)
• Semi-Supervised Neural Architecture Search [185.0651567642238]
  SemiNASは、多くの未ラベルアーキテクチャを活用する半教師付きニューラルアーキテクチャサーチ(NAS)アプローチである(評価なしで、ほぼコストがかからない)。 NASBench-101で94.02%のテスト精度を達成し、同じ数のアーキテクチャを使用する場合、すべてのベースラインを上回ります。 低リソース環境では97%のインテリジェンス率、ロバストネス環境では15%のテストエラー率、ベースラインではそれぞれ9%、7%の改善を実現している。
  論文  参考訳（メタデータ） (2020-02-24T17:23:00Z)

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。