Fugu-MT 論文翻訳(概要): MGML: Multi-Granularity Multi-Level Feature Ensemble Network for Remote Sensing Scene Classification

論文の概要: MGML: Multi-Granularity Multi-Level Feature Ensemble Network for Remote Sensing Scene Classification

arxiv url: http://arxiv.org/abs/2012.14569v1
Date: Tue, 29 Dec 2020 02:18:11 GMT
ステータス: 処理完了
システム内更新日: 2021-04-18 20:49:03.431097
Title: MGML: Multi-Granularity Multi-Level Feature Ensemble Network for Remote Sensing Scene Classification
Title（参考訳）: MGML:リモートセンシングシーン分類のための多層多層特徴アンサンブルネットワーク
Authors: Qi Zhao, Shuchang Lyu, Yuewen Li, Yujing Ma, Lijiang Chen
Abstract要約: 本稿では,多言語多層特徴アンサンブルネットワーク(MGML-FENet)を提案する。提案ネットワークは、従来の最新(SOTA)ネットワークよりも優れたパフォーマンスを実現します。
参考スコア（独自算出の注目度）: 15.856162817494726
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Remote sensing (RS) scene classification is a challenging task to predict scene categories of RS images. RS images have two main characters: large intra-class variance caused by large resolution variance and confusing information from large geographic covering area. To ease the negative influence from the above two characters. We propose a Multi-granularity Multi-Level Feature Ensemble Network (MGML-FENet) to efficiently tackle RS scene classification task in this paper. Specifically, we propose Multi-granularity Multi-Level Feature Fusion Branch (MGML-FFB) to extract multi-granularity features in different levels of network by channel-separate feature generator (CS-FG). To avoid the interference from confusing information, we propose Multi-granularity Multi-Level Feature Ensemble Module (MGML-FEM) which can provide diverse predictions by full-channel feature generator (FC-FG). Compared to previous methods, our proposed networks have ability to use structure information and abundant fine-grained features. Furthermore, through ensemble learning method, our proposed MGML-FENets can obtain more convincing final predictions. Extensive classification experiments on multiple RS datasets (AID, NWPU-RESISC45, UC-Merced and VGoogle) demonstrate that our proposed networks achieve better performance than previous state-of-the-art (SOTA) networks. The visualization analysis also shows the good interpretability of MGML-FENet.
Abstract（参考訳）: リモートセンシング(RS)シーン分類は、RS画像のシーンカテゴリを予測する上で難しい課題である。 rs画像には2つの主要文字がある: 大きな解像度のばらつきによるクラス内の大きなばらつきと、大きな地理的被覆領域からの混乱した情報。上記2文字からの負の影響を緩和する。本稿では,多言語多層特徴集合ネットワーク(MGML-FENet)を提案する。具体的には、チャネル分離機能生成器(CS-FG)を用いて、異なるレベルのネットワークにおいて、多粒度特徴を抽出する多粒度多層機能融合ブランチ(MGML-FFB)を提案する。混乱する情報からの干渉を避けるため,全チャネル特徴生成器(FC-FG)による多様な予測を提供する多言語多層特徴集合モジュール(MGML-FEM)を提案する。従来の手法と比較して,提案するネットワークは構造情報や細かな特徴を豊富に活用できる。さらに,本提案手法はアンサンブル学習により,より説得力のある最終予測が得られる。複数のRSデータセット(AID, NWPU-RESISC45, UC-Merced, VGoogle)の大規模な分類実験により, 提案したネットワークは, 従来のSOTA(State-of-the-art)ネットワークよりも優れた性能を示すことが示された。また,mgml-fenetの良好な解釈性を示す。

関連論文リスト

Mutual-Guided Dynamic Network for Image Fusion [51.615598671899335]
画像融合のための新しい相互誘導動的ネットワーク(MGDN)を提案する。 5つのベンチマークデータセットによる実験結果から,提案手法は4つの画像融合タスクにおいて既存手法よりも優れていることが示された。
論文参考訳（メタデータ） (2023-08-24T03:50:37Z)
Hi-ResNet: Edge Detail Enhancement for High-Resolution Remote Sensing Segmentation [10.919956120261539]
高分解能リモートセンシング(HRS)セマンティックセマンティクスは、高分解能カバレッジ領域からキーオブジェクトを抽出する。 HRS画像内の同じカテゴリのオブジェクトは、多様な地理的環境におけるスケールと形状の顕著な違いを示す。効率的なネットワーク構造を持つ高分解能リモートセンシングネットワーク(Hi-ResNet)を提案する。
論文参考訳（メタデータ） (2023-05-22T03:58:25Z)
MSMG-Net: Multi-scale Multi-grained Supervised Metworks for Multi-task Image Manipulation Detection and Localization [1.14219428942199]
マルチスケール多層深層ネットワーク(MSMG-Net)を提案する。我々のMSMG-Netでは,並列なマルチスケール特徴抽出構造を用いてマルチスケール特徴抽出を行う。 MSMG-Netはオブジェクトレベルのセマンティクスを効果的に認識し、エッジアーティファクトをエンコードする。
論文参考訳（メタデータ） (2022-11-06T14:58:21Z)
Multi-view Multi-label Anomaly Network Traffic Classification based on MLP-Mixer Neural Network [55.21501819988941]
畳み込みニューラルネットワーク(CNN)に基づく既存のネットワークトラフィック分類は、グローバルな情報関連を無視しながら、トラフィックデータの局所的なパターンを強調することが多い。本稿では,エンドツーエンドのネットワークトラフィック分類手法を提案する。
論文参考訳（メタデータ） (2022-10-30T01:52:05Z)
All Grains, One Scheme (AGOS): Learning Multi-grain Instance Representation for Aerial Scene Classification [31.412401135677744]
本稿では,これらの課題に対処するための新しい枠組みである1つのスキーム(AGOS)を提案する。マルチグラインド認識モジュール(MGP)、マルチブランチマルチインスタンス表現モジュール(MBMIR)、自己整合セマンティックフュージョン(SSF)モジュールで構成される。当社のAGOSは柔軟で,既存のCNNにプラグイン・アンド・プレイで容易に対応できる。
論文参考訳（メタデータ） (2022-05-06T17:10:44Z)
AF$_2$: Adaptive Focus Framework for Aerial Imagery Segmentation [86.44683367028914]
航空画像のセグメンテーションにはいくつかの独特な課題があり、中でも最も重要なものは前景と背景のアンバランスにある。本稿では,階層的なセグメンテーション手法を採用し,マルチスケール表現を適応的に活用するAdaptive Focus Framework (AF$)を提案する。 AF$は、広く使われている3つの航空ベンチマークの精度を大幅に改善した。
論文参考訳（メタデータ） (2022-02-18T10:14:45Z)
Multi-level Second-order Few-shot Learning [111.0648869396828]
教師付きまたは教師なしの少数ショット画像分類と少数ショット動作認識のためのマルチレベル2次数列学習ネットワーク(MlSo)を提案する。我々は、パワーノーマライズされた二階学習者ストリームと、複数のレベルの視覚的抽象化を表現する機能を組み合わせた、いわゆる2階学習者ストリームを活用している。我々は,Omniglot, mini-ImageNet, tiered-ImageNet, Open MIC, CUB Birds, Stanford Dogs, Cars, HMDB51, UCF101, mini-MITなどのアクション認識データセットなどの標準データセットに対して,優れた結果を示す。
論文参考訳（メタデータ） (2022-01-15T19:49:00Z)
Progressive Multi-stage Interactive Training in Mobile Network for Fine-grained Recognition [8.727216421226814]
再帰型モザイク発電機(RMG-PMSI)を用いたプログレッシブ多段階インタラクティブトレーニング手法を提案する。まず、異なる位相の異なる画像を生成する再帰モザイク発生器(RMG)を提案する。次に、異なるステージの特徴は、異なるステージの対応する特徴を強化し補完するマルチステージインタラクション(MSI)モジュールを通過する。 RMG-PMSIは高い堅牢性と伝達性で性能を大幅に向上させることができる。
論文参考訳（メタデータ） (2021-12-08T10:50:03Z)
Fine-Grained Visual Classification via Progressive Multi-Granularity Training of Jigsaw Patches [67.51747235117]
きめ細かい視覚分類(FGVC)は従来の分類よりもはるかに難しい。最近の研究は主に、最も差別的な部分の発見に焦点をあてることによってこの問題に対処している。本稿では,これらの問題に対処するための視覚的細粒度分類のための新しい枠組みを提案する。
論文参考訳（メタデータ） (2020-03-08T19:27:30Z)
Crowd Counting via Hierarchical Scale Recalibration Network [61.09833400167511]
本稿では,群集カウントの課題に取り組むために,階層型大規模校正ネットワーク(HSRNet)を提案する。 HSRNetは、リッチなコンテキスト依存をモデル化し、複数のスケール関連情報を再検討する。提案手法は,様々なノイズを選択的に無視し,適切な群集スケールに自動的に焦点を合わせることができる。
論文参考訳（メタデータ） (2020-03-07T10:06:47Z)

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。