論文の概要: MSMatch: Semi-Supervised Multispectral Scene Classification with Few Labels

• arxiv url: http://arxiv.org/abs/2103.10368v1
• Date: Thu, 18 Mar 2021 16:47:21 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-19 19:29:47.570643
• Title: MSMatch: Semi-Supervised Multispectral Scene Classification with Few Labels
• Title（参考訳）: MSMatch: わずかなラベルによる半スーパービジョンマルチスペクトルシーン分類
• Authors: Pablo G\'omez and Gabriele Meoni
• Abstract要約: 我々は、EuroSATベンチマークデータセット上のシーン分類に関する監督された方法と競合する最初の半教師付き学習アプローチであるMSMatchを提示する。 クラスごとのラベル付きサンプルはわずか5つで、それぞれEuroSAT RGBとマルチスペクトルデータセットの94.53%と95.86%の精度に達します。 その結果、MSMatchはラベル付きデータの要件を大幅に削減することができます。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Supervised learning techniques are at the center of many tasks in remote sensing. Unfortunately, these methods, especially recent deep learning methods, often require large amounts of labeled data for training. Even though satellites acquire large amounts of data, labeling the data is often tedious, expensive and requires expert knowledge. Hence, improved methods that require fewer labeled samples are needed. We present MSMatch, the first semi-supervised learning approach competitive with supervised methods on scene classification on the EuroSAT benchmark dataset. We test both RGB and multispectral images and perform various ablation studies to identify the critical parts of the model. The trained neural network achieves state-of-the-art results on EuroSAT with an accuracy that is between 1.98% and 19.76% better than previous methods depending on the number of labeled training examples. With just five labeled examples per class we reach 94.53% and 95.86% accuracy on the EuroSAT RGB and multispectral datasets, respectively. With 50 labels per class we reach 97.62% and 98.23% accuracy. Our results show that MSMatch is capable of greatly reducing the requirements for labeled data. It translates well to multispectral data and should enable various applications that are currently infeasible due to a lack of labeled data. We provide the source code of MSMatch online to enable easy reproduction and quick adoption.
• Abstract（参考訳）: 監視学習技術はリモートセンシングにおける多くのタスクの中心にある。 残念ながら、これらの手法、特に最近のディープラーニング手法は、トレーニングのために大量のラベル付きデータを必要とすることが多い。 衛星は大量のデータを取得するが、データのラベル付けはしばしば面倒で高価であり、専門家の知識を必要とする。 そのため、ラベル付きサンプルの少ない改善方法が必要である。 我々は,EuroSATベンチマークデータセットのシーン分類において,教師付き手法と競合する最初の半教師付き学習手法であるMSMatchを提案する。 rgb画像とマルチスペクトル画像の両方をテストし、モデルの重要な部分を特定するために様々なアブレーション研究を行う。 トレーニングされたニューラルネットワークは、ラベル付きトレーニングの例の数によって、従来の手法よりも1.98%から19.76%の精度で、EuroSATの最先端の結果を達成する。 クラス毎のラベル付きサンプルはわずか5つで、ユーロサット RGB とマルチスペクトルデータセットでそれぞれ 94.53% と 95.86% に達する。 クラス毎に50のラベルがあり、97.62%、98.23%の精度がある。 この結果から,MSMatchはラベル付きデータの要求を大幅に低減できることがわかった。 マルチスペクトルデータによく翻訳され、ラベル付きデータの欠如により現在実現不可能な様々なアプリケーションを可能にする。 MSMatchのソースコードをオンラインで提供し、簡単に再現と迅速な採用を可能にします。

関連論文リスト

• Continuous Contrastive Learning for Long-Tailed Semi-Supervised Recognition [50.61991746981703]
  現在の最先端のLTSSLアプローチは、大規模な未ラベルデータに対して高品質な擬似ラベルに依存している。 本稿では,長期学習における様々な提案を統一する新しい確率的枠組みを提案する。 我々は、信頼度とスムーズな擬似ラベルを用いて、我々のフレームワークをラベルなしデータに拡張する、連続的コントラスト学習手法であるCCLを導入する。
  論文  参考訳（メタデータ） (2024-10-08T15:06:10Z)
• FlatMatch: Bridging Labeled Data and Unlabeled Data with Cross-Sharpness for Semi-Supervised Learning [73.13448439554497]
  Semi-Supervised Learning (SSL) は、ラベル付きデータが極めて少ない豊富なラベル付きデータを活用する効果的な方法である。 ほとんどのSSLメソッドは、通常、異なるデータ変換間のインスタンス単位の一貫性に基づいている。 本研究では,2つのデータセット間の一貫した学習性能を確保するために,クロスシャープネス尺度を最小化するFlatMatchを提案する。
  論文  参考訳（メタデータ） (2023-10-25T06:57:59Z)
• JointMatch: A Unified Approach for Diverse and Collaborative Pseudo-Labeling to Semi-Supervised Text Classification [65.268245109828]
  半教師付きテキスト分類(SSTC)は、ラベルのないデータを活用する能力によって注目を集めている。 擬似ラベルに基づく既存のアプローチは、擬似ラベルバイアスと誤り蓄積の問題に悩まされる。 我々は、最近の半教師付き学習からアイデアを統一することでこれらの課題に対処する、SSTCの総合的なアプローチであるJointMatchを提案する。
  論文  参考訳（メタデータ） (2023-10-23T05:43:35Z)
• MarginMatch: Improving Semi-Supervised Learning with Pseudo-Margins [73.17295479535161]
  MarginMatchは、一貫性の正規化と擬似ラベルを組み合わせた新しいSSLアプローチである。 トレーニングが進むにつれて、擬似ラベル付きモデル上でのモデルの振る舞いを分析し、低品質な予測が隠蔽されることを確かめる。 CIFAR-100では,クラス毎に25ラベル,STL-10では3.78%,クラス毎に4ラベルで3.25%の誤差率向上を実現した。
  論文  参考訳（メタデータ） (2023-08-17T15:19:04Z)
• Exploring the Boundaries of Semi-Supervised Facial Expression Recognition using In-Distribution, Out-of-Distribution, and Unconstrained Data [23.4909421082857]
  表情認識(FER)における最新の半教師あり手法11について検討する。 本研究は,非流通,アウト・オブ・ディストリビューション,制約のない,非常に小さなデータからの半教師付き学習を対象とする。 ラベル付きサンプルの数が等しいため、半教師付き学習は教師付き学習よりも大幅に改善される。
  論文  参考訳（メタデータ） (2023-06-02T01:40:08Z)
• MaskCon: Masked Contrastive Learning for Coarse-Labelled Dataset [19.45520684918576]
  我々は、@textbfMask$ed $textbfCon$trastive Learning($textbfMaskCon$)と呼ばれる対照的な学習方法を提案する。 各サンプルに対して,本手法は,他のサンプルに対して粗いラベルを付与して軟質ラベルを生成する。 提案手法は, 各種データセットにおける現状よりも大幅に改善されている。
  論文  参考訳（メタデータ） (2023-03-22T17:08:31Z)
• Land Cover and Land Use Detection using Semi-Supervised Learning [0.0]
  ラベルを作成し、適切な精度でモデルをトレーニングします。 我々は、EuroSAT、UCM、WHU-RS19という、さまざまなタイプの不均衡衛星画像データセットを使用している。 我々のアプローチはラベル付きデータの要求を大幅に減らし、代替手法を一貫して上回り、データセットのクラス不均衡に起因するモデルバイアスの問題を解決する。
  論文  参考訳（メタデータ） (2022-12-21T17:36:28Z)
• Active Learning for Improved Semi-Supervised Semantic Segmentation in Satellite Images [1.0152838128195467]
  半教師付きテクニックは、ラベル付きサンプルの小さなセットから擬似ラベルを生成する。 そこで我々は,ラベル付きトレーニングデータの集合を高度に代表的に選択するために,アクティブな学習に基づくサンプリング戦略を提案する。 我々はmIoUの27%の改善を報告し、2%のラベル付きデータをアクティブラーニングサンプリング戦略を用いて報告した。
  論文  参考訳（メタデータ） (2021-10-15T00:29:31Z)
• Unsupervised Semantic Aggregation and Deformable Template Matching for Semi-Supervised Learning [34.560447389853614]
  ラベルなしデータのセマンティックラベルを生成するために,T-MI損失に基づく教師なしセマンティックアグリゲーションを提案する。 ラベル付きサンプルを格納する機能プールは動的に更新され、ラベルなしデータのプロキシラベルが割り当てられる。 実験と解析により、USADTMが最高性能を達成することを確認した。
  論文  参考訳（メタデータ） (2020-10-12T08:17:56Z)
• Federated Semi-Supervised Learning with Inter-Client Consistency & Disjoint Learning [78.88007892742438]
  ラベル付きデータの位置に基づくFSSL(Federated Semi-Supervised Learning)の2つの重要なシナリオについて検討する。 フェデレートマッチング(FedMatch)と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-06-22T09:43:41Z)
• Big Self-Supervised Models are Strong Semi-Supervised Learners [116.00752519907725]
  ImageNet上での半教師あり学習に驚くほど効果的であることを示す。 我々のアプローチの重要な要素は、事前訓練と微調整において大きな(深度と広度)ネットワークを使用することである。 ラベルが少なくなればなるほど、より大きなネットワークから、このアプローチ(ラベル付きデータのタスクに依存しない使用)が恩恵を受けることが分かっています。
  論文  参考訳（メタデータ） (2020-06-17T17:48:22Z)

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。