Fugu-MT 論文翻訳(概要): Channel-Based Attention for LCC Using Sentinel-2 Time Series

論文の概要: Channel-Based Attention for LCC Using Sentinel-2 Time Series

arxiv url: http://arxiv.org/abs/2103.16836v1
Date: Wed, 31 Mar 2021 06:24:15 GMT
ステータス: 処理完了
システム内更新日: 2021-04-01 14:40:46.314682
Title: Channel-Based Attention for LCC Using Sentinel-2 Time Series
Title（参考訳）: センチネル-2時系列を用いたLCCのチャネルベースアテンション
Authors: Hermann Courteille (LISTIC), A. Beno\^it (LISTIC), N M\'eger (LISTIC), A Atto (LISTIC), D. Ienco (UMR TETIS)
Abstract要約: 本稿では,入力チャネルに対する予測を表現するアーキテクチャを提案する。最終分類決定における各チャネルの重要性を重み付けする、畳み込み層と注意機構に依存している。 Sentinel-2 SITSに基づく実験は有望な結果を示す。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Deep Neural Networks (DNNs) are getting increasing attention to deal with Land Cover Classification (LCC) relying on Satellite Image Time Series (SITS). Though high performances can be achieved, the rationale of a prediction yielded by a DNN often remains unclear. An architecture expressing predictions with respect to input channels is thus proposed in this paper. It relies on convolutional layers and an attention mechanism weighting the importance of each channel in the final classification decision. The correlation between channels is taken into account to set up shared kernels and lower model complexity. Experiments based on a Sentinel-2 SITS show promising results.
Abstract（参考訳）: 衛星画像時系列(SITS)に依存する土地被覆分類(LCC)に対処するため、ディープニューラルネットワーク(DNN)が注目されている。高い性能は達成できるが、DNNによって得られる予測の理論的根拠はしばしば不明である。そこで本稿では,入力チャネルに関する予測を表現するアーキテクチャを提案する。最終分類決定における各チャネルの重要性を重み付けする、畳み込み層と注意機構に依存している。チャネル間の相関は、共有カーネルのセットアップとモデルの複雑さの低減のために考慮される。 Sentinel-2 SITSを用いた実験は有望な結果を示した。

関連論文リスト

CSA-Net: Channel-wise Spatially Autocorrelated Attention Networks [19.468704622654357]
深部CNNに対するチャネルワイド空間自己相関(CSA)アテンション機構を提案する。地理的解析にインスパイアされた提案CSAは,特徴写像のチャネル間の空間的関係を利用して,効果的なチャネル記述子を生成する。我々は、ImageNetおよびMS COCOベンチマークデータセットの広範な実験と分析により、提案したCSAネットワークの有効性を検証する。
論文参考訳（メタデータ） (2024-05-09T13:21:03Z)
From Similarity to Superiority: Channel Clustering for Time Series Forecasting [61.96777031937871]
CCM(Channel Clustering Module)を開発した。 CCMは、固有の類似性を特徴とするチャネルを動的にグループ化し、個々のチャネルのアイデンティティの代わりにクラスタ情報を活用する。 CCMは、CIモデルとCDモデルのパフォーマンスを、それぞれ長期および短期の予測において平均利率2.4%と7.2%で向上させることができる。
論文参考訳（メタデータ） (2024-03-31T02:46:27Z)
Joint Channel Estimation and Feedback with Masked Token Transformers in Massive MIMO Systems [74.52117784544758]
本稿では,CSI行列内の固有周波数領域相関を明らかにするエンコーダデコーダに基づくネットワークを提案する。エンコーダ・デコーダネットワーク全体がチャネル圧縮に使用される。提案手法は,共同作業における現状のチャネル推定およびフィードバック技術より優れる。
論文参考訳（メタデータ） (2023-06-08T06:15:17Z)
Time Gated Convolutional Neural Networks for Crop Classification [0.9176056742068814]
最先端フレームワークTGCNN(Time Gated Convolutional Neural Network) TGCNNは、作物分類問題に対する時間情報とゲーティング機構を利用する。この地球観測時系列分類作業において,TGCNNが有利であることを示す。
論文参考訳（メタデータ） (2022-06-20T13:05:29Z)
SAR Despeckling Using Overcomplete Convolutional Networks [53.99620005035804]
スペックルはSAR画像を劣化させるため、リモートセンシングにおいて重要な問題である。近年の研究では、畳み込みニューラルネットワーク(CNN)が古典的解法よりも優れていることが示されている。本研究は、受容場を制限することで低レベルの特徴を学習することに集中するために、過剰なCNNアーキテクチャを用いる。本稿では,合成および実SAR画像の非特定化手法と比較して,提案手法により非特定化性能が向上することを示す。
論文参考訳（メタデータ） (2022-05-31T15:55:37Z)
BA-Net: Bridge Attention for Deep Convolutional Neural Networks [4.459779019776622]
ブリッジアテンションネット(BA-Net)は,より優れたチャネルアテンション機構を実現するために提案されている。 BA-Netは、フィードフォワード時にチャネルウェイトを計算するためのよりリッチな機能を提供するだけでなく、バックフォワード時に更新されるパラメータの乗算パスも提供する。
論文参考訳（メタデータ） (2021-12-08T07:39:18Z)
Two-Timescale End-to-End Learning for Channel Acquisition and Hybrid Precoding [94.40747235081466]
本研究では,ミリ波(mmWave)大規模マルチインプット多重出力(MIMO)システムのためのエンドツーエンドの深層学習に基づくジョイントトランスシーバ設計アルゴリズムを提案する。我々は受信したパイロットを受信機でフィードバックビットにマッピングし、さらに送信機でハイブリッドプリコーダにフィードバックビットをマッピングするDNNアーキテクチャを開発した。
論文参考訳（メタデータ） (2021-10-22T20:49:02Z)
Channel redundancy and overlap in convolutional neural networks with channel-wise NNK graphs [36.479195100553085]
畳み込みニューラルネットワーク(CNN)の深い層における特徴空間は、しばしば非常に高次元で解釈が難しい。理論的にチャネルワイド非負のカーネル(CW-NNK)回帰グラフを分析し、チャネル間の重なり合いを定量化する。チャネル間の冗長性は,層深度や正規化の程度によって大きく変化している。
論文参考訳（メタデータ） (2021-10-18T22:50:07Z)
Channelized Axial Attention for Semantic Segmentation [70.14921019774793]
チャネルアキシャルアテンション(CAA)を提案し、チャネルアテンションと軸アテンションをシームレスに統合し、計算複雑性を低減します。私たちのCAAは、DANetのような他の注意モデルに比べて計算リソースをはるかに少なくするだけでなく、すべての検証済みデータセット上で最先端のResNet-101ベースのセグメンテーションモデルよりも優れています。
論文参考訳（メタデータ） (2021-01-19T03:08:03Z)
Channel-wise Knowledge Distillation for Dense Prediction [73.99057249472735]
本稿では,学生ネットワークと教師ネットワークのチャンネルワイズ機能について提案する。様々なネットワーク構造を持つ3つのベンチマークにおいて、一貫して優れた性能を実現している。
論文参考訳（メタデータ） (2020-11-26T12:00:38Z)
Channel Pruning Guided by Spatial and Channel Attention for DNNs in Intelligent Edge Computing [15.248962858090431]
重要な課題は、どのチャネルを削除すべきかを判断し、モデルの精度が負の影響を受けないようにすることだ。本稿では,空間的注意とチャネル的注意の両方を組み合わせた新しいアテンションモジュールを提案する。 SCAのガイダンスにより、CPSCAアプローチは、他の最先端のプルーニング手法よりも高い推論精度を実現する。
論文参考訳（メタデータ） (2020-11-08T02:40:06Z)

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。