論文の概要: CCML: A Novel Collaborative Learning Model for Classification of Remote Sensing Images with Noisy Multi-Labels

• arxiv url: http://arxiv.org/abs/2012.10715v2
• Date: Sun, 27 Dec 2020 10:15:06 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-01 14:06:44.006512
• Title: CCML: A Novel Collaborative Learning Model for Classification of Remote Sensing Images with Noisy Multi-Labels
• Title（参考訳）: ccml : ノイズマルチラベルを用いた遠隔センシング画像分類のための新しい協調学習モデル
• Authors: Ahmet Kerem Aksoy, Mahdyar Ravanbakhsh, Tristan Kreuziger, Begum Demir
• Abstract要約: CNNモデルのトレーニングフェーズにおけるマルチラベルノイズの悪影響を軽減するために,CCML(Consensual Collaborative Multi-Label Learning)法を提案する。 CCMLは、4つのメインモジュールに基づいてRS画像の騒々しいマルチラベルを特定し、ランク付けし、修正します。
• 参考スコア（独自算出の注目度）: 0.9995347522610671
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The development of accurate methods for multi-label classification (MLC) of remote sensing (RS) images is one of the most important research topics in RS. Deep Convolutional Neural Networks (CNNs) based methods have triggered substantial performance gains in RS MLC problems, requiring a large number of reliable training images annotated by multiple land-cover class labels. Collecting such data is time-consuming and costly. To address this problem, the publicly available thematic products, which can include noisy labels, can be used for annotating RS images with zero-labeling cost. However, multi-label noise (which can be associated with wrong as well as missing label annotations) can distort the learning process of the MLC algorithm, resulting in inaccurate predictions. The detection and correction of label noise are challenging tasks, especially in a multi-label scenario, where each image can be associated with more than one label. To address this problem, we propose a novel Consensual Collaborative Multi-Label Learning (CCML) method to alleviate the adverse effects of multi-label noise during the training phase of the CNN model. CCML identifies, ranks, and corrects noisy multi-labels in RS images based on four main modules: 1) group lasso module; 2) discrepancy module; 3) flipping module; and 4) swap module. The task of the group lasso module is to detect the potentially noisy labels assigned to the multi-labeled training images, and the discrepancy module ensures that the two collaborative networks learn diverse features, while obtaining the same predictions. The flipping module is designed to correct the identified noisy multi-labels, while the swap module task is devoted to exchanging the ranking information between two networks. Our code is publicly available online: http://www.noisy-labels-in-rs.org
• Abstract（参考訳）: リモートセンシング(rs)画像の高精度マルチラベル分類法(mlc)の開発は、rsにおける最も重要な研究課題の一つである。 深層畳み込みニューラルネットワーク(Deep Convolutional Neural Networks, CNN)に基づく手法は、RS MLC問題において大幅な性能向上を引き起こし、複数のランドカバークラスラベルに注釈付けされた多数の信頼性のあるトレーニング画像を必要とする。 このようなデータの収集には時間と費用がかかります。 この問題に対処するために、騒がしいラベルを含む公開のテーマ製品は、ゼロラベルコストでrsイメージに注釈を付けるのに使うことができる。 しかし、マルチラベルノイズ(誤りやラベルアノテーションの欠如)は、MLCアルゴリズムの学習過程を歪め、不正確な予測をもたらす。 ラベルノイズの検出と補正は、特に複数のラベルのシナリオにおいて難しい課題であり、各画像は複数のラベルに関連付けられる。 そこで本研究では,cnnモデルの学習段階でのマルチラベル雑音の悪影響を軽減するための,コンセンサス協調型マルチラベル学習(ccml)手法を提案する。 CCMLは、1) group lasso module; 2)disrepancy module; 3) flipping module; and 4) swap moduleという4つの主要なモジュールに基づいて、RSイメージ内のノイズの多いマルチラベルを識別、ランク付け、修正する。 グループラッソモジュールのタスクは、多ラベルのトレーニング画像に割り当てられた潜在的ノイズラベルを検出することであり、この不一致モジュールは、同一の予測を得ながら、2つの協調ネットワークが多様な特徴を学習することを保証する。 スワップモジュールタスクは2つのネットワーク間のランキング情報を交換することを目的としているが、フリップモジュールは特定されたノイズのマルチラベルを修正するように設計されている。 私たちのコードはオンラインで公開されている。

関連論文リスト

• Multi-Label Self-Supervised Learning with Scene Images [21.549234013998255]
  本稿では,シーン/マルチラベル画像SSLを多ラベル分類問題として扱うことで,画質の表現を学習可能であることを示す。 提案手法はMulti-Label Self-supervised Learning (MLS) と呼ばれる。
  論文  参考訳（メタデータ） (2023-08-07T04:04:22Z)
• Multi-Granularity Denoising and Bidirectional Alignment for Weakly Supervised Semantic Segmentation [75.32213865436442]
  本稿では,雑音ラベルと多クラス一般化問題を緩和するために,MDBAモデルを提案する。 MDBAモデルはPASCAL VOC 2012データセットの検証とテストセットにおいて69.5%と70.2%のmIoUに達することができる。
  論文  参考訳（メタデータ） (2023-05-09T03:33:43Z)
• Category-Adaptive Label Discovery and Noise Rejection for Multi-label Image Recognition with Partial Positive Labels [78.88007892742438]
  部分正ラベル(MLR-PPL)を用いたマルチラベルモデルの訓練が注目されている。 これまでの研究では、未知のラベルを負とみなし、従来のMLRアルゴリズムを採用した。 我々は,MLR-PPLタスクを容易にするために,異なる画像間の意味的相関について検討する。
  論文  参考訳（メタデータ） (2022-11-15T02:11:20Z)
• On the Effects of Different Types of Label Noise in Multi-Label Remote Sensing Image Classification [1.6758573326215689]
  リモートセンシング(RS)画像のマルチラベル分類(MLC)のための高精度な手法の開発は、RSにおいて最も重要な研究トピックの1つである。 複数のランドカバークラスラベル (multi-labels) でアノテートされた多数の信頼できるトレーニングイメージを必要とするディープニューラルネットワークの使用は、RSで人気がある。 本稿では,3つの異なる雑音頑健なCV SLC法について検討し,RSのマルチラベル雑音シナリオに対して頑健であるように適応する。
  論文  参考訳（メタデータ） (2022-07-28T09:38:30Z)
• Learning Self-Supervised Low-Rank Network for Single-Stage Weakly and Semi-Supervised Semantic Segmentation [119.009033745244]
  本稿では,単一段階弱教師付きセマンティックセマンティックセマンティックセマンティクス(WSSS)と半教師付きセマンティクスセマンティクスセマンティクス(SSSS)のための自己教師付き低ランクネットワーク(SLRNet)を提案する。 SLRNetは、画像の異なるビューから複数の注意深いLR表現を同時に予測し、正確な擬似ラベルを学習する。 Pascal VOC 2012、COCO、L2IDデータセットの実験では、SLRNetは最先端のWSSSメソッドとSSSSメソッドの両方で、さまざまな設定で優れています。
  論文  参考訳（メタデータ） (2022-03-19T09:19:55Z)
• Semantic-Aware Representation Blending for Multi-Label Image Recognition with Partial Labels [86.17081952197788]
  そこで我々は,未知のラベルを補うために,異なる画像にカテゴリ固有の表現をブレンドして,既知のラベルの情報を伝達することを提案する。 MS-COCO、Visual Genome、Pascal VOC 2007データセットの実験は、提案されたSARBフレームワークが、現在の主要な競合相手よりも優れたパフォーマンスを得ることを示している。
  論文  参考訳（メタデータ） (2022-03-04T07:56:16Z)
• Structured Semantic Transfer for Multi-Label Recognition with Partial Labels [85.6967666661044]
  部分ラベル付きマルチラベル認識モデルのトレーニングを可能にする構造化意味伝達(SST)フレームワークを提案する。 このフレームワークは2つの相補的なトランスファーモジュールから構成され、インテリアイメージとクロスイメージセマンティック相関を探索する。 Microsoft COCO、Visual Genome、Pascal VOCデータセットの実験は、提案されたSSTフレームワークが現在の最先端アルゴリズムよりも優れたパフォーマンスが得られることを示している。
  論文  参考訳（メタデータ） (2021-12-21T02:15:01Z)
• Multi-label Iterated Learning for Image Classification with Label Ambiguity [3.5736176624479654]
  単一ラベルからの多ラベル学習の帰納バイアスを組み込むために,多ラベル反復学習(MILe)を提案する。 MILeは、バイナリ予測を伝搬することにより、画像のマルチラベル記述を構築する、シンプルだが効果的な手順である。 我々は,MILeがラベルノイズを効果的に低減し,WebVisionのような実世界の大規模ノイズデータに対して最先端の性能を実現することを示す。
  論文  参考訳（メタデータ） (2021-11-23T22:10:00Z)
• A Novel Uncertainty-aware Collaborative Learning Method for Remote Sensing Image Classification Under Multi-Label Noise [0.9995347522610671]
  本稿では,アーキテクチャ非依存な共用型多ラベル学習(ccml)手法を提案する。 ccmlは4つの主要モジュールを通してノイズの多いマルチラベル画像を識別し、ランク付けし、修正する。 マルチラベルRS画像アーカイブIR-BigEarthNetの実験により,提案したCCMLの堅牢性が確認された。
  論文  参考訳（メタデータ） (2021-05-12T08:06:14Z)
• 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)

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。