論文の概要: Unifying Remote Sensing Image Retrieval and Classification with Robust Fine-tuning

• arxiv url: http://arxiv.org/abs/2102.13392v1
• Date: Fri, 26 Feb 2021 11:01:30 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-01 13:46:46.690416
• Title: Unifying Remote Sensing Image Retrieval and Classification with Robust Fine-tuning
• Title（参考訳）: ロバストファインチューニングによるリモートセンシング画像検索と分類
• Authors: Dimitri Gominski, Val\'erie Gouet-Brunet, Liming Chen
• Abstract要約: 新しい大規模トレーニングおよびテストデータセットであるSF300で、リモートセンシングイメージの検索と分類を統一することを目指しています。 本研究では,ImageNetの事前学習ベースラインと比較して,9つのデータセットの検索性能と分類性能を体系的に向上させることを示す。
• 参考スコア（独自算出の注目度）: 3.6526118822907594
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Advances in high resolution remote sensing image analysis are currently hampered by the difficulty of gathering enough annotated data for training deep learning methods, giving rise to a variety of small datasets and associated dataset-specific methods. Moreover, typical tasks such as classification and retrieval lack a systematic evaluation on standard benchmarks and training datasets, which make it hard to identify durable and generalizable scientific contributions. We aim at unifying remote sensing image retrieval and classification with a new large-scale training and testing dataset, SF300, including both vertical and oblique aerial images and made available to the research community, and an associated fine-tuning method. We additionally propose a new adversarial fine-tuning method for global descriptors. We show that our framework systematically achieves a boost of retrieval and classification performance on nine different datasets compared to an ImageNet pretrained baseline, with currently no other method to compare to.
• Abstract（参考訳）: 高分解能リモートセンシング画像解析の進歩は、ディープラーニングメソッドをトレーニングするための十分な注釈付きデータを収集することが困難であるため、さまざまな小さなデータセットと関連するデータセット固有の方法が発生します。 さらに、分類や検索といった典型的なタスクは、標準ベンチマークやトレーニングデータセットの体系的な評価を欠いているため、堅牢で一般化可能な科学的貢献の特定が困難である。 本研究では,縦型と斜型の両方の空中画像を含む,新しい大規模トレーニングおよびテストデータセットsf300を用いて,リモートセンシング画像検索と分類を統合することを目的とした。 また、グローバルディスクリプタの新たな対向微調整手法を提案します。 本フレームワークは,imagenetで事前学習されたベースラインと比較して,9つのデータセットにおける検索と分類のパフォーマンス向上を体系的に達成していることを示す。

関連論文リスト

• Reinforcing Pre-trained Models Using Counterfactual Images [54.26310919385808]
  本稿では,言語誘導型生成対実画像を用いた分類モデル強化のための新しいフレームワークを提案する。 逆ファクト画像データセットを用いてモデルをテストすることにより、モデルの弱点を同定する。 我々は、分類モデルを微調整し強化するために、デファクトイメージを拡張データセットとして採用する。
  論文  参考訳（メタデータ） (2024-06-19T08:07:14Z)
• Enhancing Instance-Level Image Classification with Set-Level Labels [12.778150812879034]
  設定レベルラベルを活用することで、インスタンスレベルの画像分類を強化する新しい手法を提案する。 自然画像データセットと病理画像データセットの2つのカテゴリについて実験を行った。 本アルゴリズムは,病理画像分類ベンチマークにおいて最強の基準値と比較して,分類精度が13%向上した。
  論文  参考訳（メタデータ） (2023-11-09T03:17:03Z)
• Training Methods of Multi-label Prediction Classifiers for Hyperspectral Remote Sensing Images [0.0]
  ハイパースペクトルリモートセンシング画像に対するマルチラベル・パッチレベルの分類法を提案する。 リモートセンシング画像から抽出した空間次元を縮小したパッチと全スペクトル深度を用いた。
  論文  参考訳（メタデータ） (2023-01-17T13:30:03Z)
• Improving Image Clustering through Sample Ranking and Its Application to remote--sensing images [14.531733039462058]
  本稿では,現在クラスタに属するクラスタの信頼性に基づいて,各クラスタ内のサンプルをランク付けする新しい手法を提案する。 そこで,本研究では,人口密度の密集した地域にあるか否かに基づいて,現在のクラスタに属するサンプルの確率を計算する手法を開発した。 本手法はリモートセンシング画像に効果的に適用可能であることを示す。
  論文  参考訳（メタデータ） (2022-09-26T12:10:02Z)
• Fusing Local Similarities for Retrieval-based 3D Orientation Estimation of Unseen Objects [70.49392581592089]
  我々は,モノクロ画像から未確認物体の3次元配向を推定する作業に取り組む。 我々は検索ベースの戦略に従い、ネットワークがオブジェクト固有の特徴を学習するのを防ぐ。 また,LineMOD,LineMOD-Occluded,T-LESSのデータセットを用いた実験により,本手法が従来の手法よりもはるかに優れた一般化をもたらすことが示された。
  論文  参考訳（メタデータ） (2022-03-16T08:53:00Z)
• Region-level Active Learning for Cluttered Scenes [60.93811392293329]
  本稿では,従来の画像レベルのアプローチとオブジェクトレベルのアプローチを一般化した領域レベルのアプローチに仮定する新たな戦略を提案する。 その結果,本手法はラベル付けの労力を大幅に削減し,クラス不均衡や散らかったシーンを生かしたリアルなデータに対する希少なオブジェクト検索を改善することが示唆された。
  論文  参考訳（メタデータ） (2021-08-20T14:02:38Z)
• Reconciliation of Statistical and Spatial Sparsity For Robust Image and Image-Set Classification [27.319334479994787]
  分類のための画像や画像セットデータをモデル化するために,textitJ3Sと呼ばれる新しい統計空間スパース表現を提案する。 本稿では,J3Sモデルに基づく結合スパース符号化問題の解法を提案する。 実験の結果,提案手法はFMD, UIUC, ETH-80, YTCデータベース上での競合手法よりも高い性能を示した。
  論文  参考訳（メタデータ） (2021-06-01T06:33:24Z)
• Data Augmentation for Meta-Learning [58.47185740820304]
  メタ学習アルゴリズムは、各トレーニングステップでデータ、クエリデータ、タスクをサンプリングする。 データ拡張は、クラス毎に利用可能な画像の数を増やすだけでなく、全く新しいクラス/タスクを生成するためにも使用できる。 提案したメタ固有データ拡張は,数ショットの分類ベンチマークにおいて,メタラーナーの性能を著しく向上させる。
  論文  参考訳（メタデータ） (2020-10-14T13:48:22Z)
• Region Comparison Network for Interpretable Few-shot Image Classification [97.97902360117368]
  新しいクラスのモデルをトレーニングするために、ラベル付きサンプルの限られた数だけを効果的に活用するための画像分類が提案されている。 本研究では,領域比較ネットワーク (RCN) と呼ばれる距離学習に基づく手法を提案する。 また,タスクのレベルからカテゴリへの解釈可能性の一般化も提案する。
  論文  参考訳（メタデータ） (2020-09-08T07:29:05Z)
• Unsupervised Image Classification for Deep Representation Learning [42.09716669386924]
  埋め込みクラスタリングを使わずに、教師なしのイメージ分類フレームワークを提案する。 提案手法の有効性を証明するために,ImageNetデータセットの実験を行った。
  論文  参考訳（メタデータ） (2020-06-20T02:57:06Z)
• One-Shot Object Detection without Fine-Tuning [62.39210447209698]
  本稿では,第1ステージのMatching-FCOSネットワークと第2ステージのStructure-Aware Relation Moduleからなる2段階モデルを提案する。 また,検出性能を効果的に向上する新たなトレーニング戦略を提案する。 提案手法は,複数のデータセット上で一貫した最先端のワンショット性能を上回る。
  論文  参考訳（メタデータ） (2020-05-08T01:59:23Z)

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。