論文の概要: Domain-Adversarial Training of Self-Attention Based Networks for Land
Cover Classification using Multi-temporal Sentinel-2 Satellite Imagery
- arxiv url: http://arxiv.org/abs/2104.00564v1
- Date: Thu, 1 Apr 2021 15:45:17 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-02 13:55:45.150549
- Title: Domain-Adversarial Training of Self-Attention Based Networks for Land
Cover Classification using Multi-temporal Sentinel-2 Satellite Imagery
- Title（参考訳）: マルチ時間センチネル-2衛星画像を用いた土地被覆分類のための自己注意型ネットワークのドメイン逆トレーニング
- Authors: Martini Mauro, Vittorio Mazzia, Aleem Khaliq, Marcello Chiaberge
- Abstract要約: ほとんどの実用的なアプリケーションはラベル付きデータには依存せず、この分野では調査は時間のかかるソリューションである。
本稿では,異なる地理的領域間のドメイン不一致を橋渡しする深層ニューラルネットワークの対比訓練について検討する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The increasing availability of large-scale remote sensing labeled data has
prompted researchers to develop increasingly precise and accurate data-driven
models for land cover and crop classification (LC&CC). Moreover, with the
introduction of self-attention and introspection mechanisms, deep learning
approaches have shown promising results in processing long temporal sequences
in the multi-spectral domain with a contained computational request.
Nevertheless, most practical applications cannot rely on labeled data, and in
the field, surveys are a time consuming solution that poses strict limitations
to the number of collected samples. Moreover, atmospheric conditions and
specific geographical region characteristics constitute a relevant domain gap
that does not allow direct applicability of a trained model on the available
dataset to the area of interest. In this paper, we investigate adversarial
training of deep neural networks to bridge the domain discrepancy between
distinct geographical zones. In particular, we perform a thorough analysis of
domain adaptation applied to challenging multi-spectral, multi-temporal data,
accurately highlighting the advantages of adapting state-of-the-art
self-attention based models for LC&CC to different target zones where labeled
data are not available. Extensive experimentation demonstrated significant
performance and generalization gain in applying domain-adversarial training to
source and target regions with marked dissimilarities between the distribution
of extracted features.
- Abstract（参考訳）: 大規模リモートセンシングラベル付きデータの利用が増加し、研究者は土地被覆と作物分類(LC&CC)の正確で正確なデータ駆動モデルを開発するようになった。
さらに,自己アテンションとイントロスペクション機構の導入により,深層学習手法は,多スペクトル領域における長時間の時系列処理において,計算要求を含む有望な結果を示した。
それにもかかわらず、ほとんどの実用的なアプリケーションはラベル付きデータに依存しておらず、この分野では、調査は収集されたサンプル数に厳格な制限を与える時間消費ソリューションである。
さらに、大気条件と特定の地理的領域特性は、その領域に利用可能なデータセットでトレーニングされたモデルの直接適用を許さない、関連する領域間隙を構成する。
本稿では,異なる地理的領域間の領域差を橋渡しするディープニューラルネットワークの対角トレーニングについて検討する。
特に,マルチスペクトル・マルチ時間データに対するドメイン適応の徹底的な解析を行い,ラベル付きデータが利用できない異なるターゲット領域にLC&CCの最先端自己注意モデルを適用する利点を正確に強調する。
広汎な実験により,抽出した特徴の分布に顕著な相違が認められたソース領域とターゲット領域にドメイン・アドバイザリ・トレーニングを適用した。
関連論文リスト
- Cross Domain Early Crop Mapping using CropSTGAN [12.271756709807898]
本稿では,Crop Mapping Spectral-temporal Generative Adrial Neural Network (CropSTGAN)を紹介する。
CropSTGANは、ターゲットドメインのスペクトル特徴をソースドメインのスペクトル特徴に変換することを学習し、実質的に大きな相似性をブリッジする。
実験では、CropSTGANは様々な最先端(SOTA)メソッドに対してベンチマークされる。
論文 参考訳（メタデータ） (2024-01-15T00:27:41Z) - Evaluating the Label Efficiency of Contrastive Self-Supervised Learning
for Multi-Resolution Satellite Imagery [0.0]
遠隔センシング領域における自己教師付き学習は、容易に利用可能なラベル付きデータを活用するために応用されている。
本稿では,ラベル効率のレンズを用いた自己教師型視覚表現学習について検討する。
論文 参考訳（メタデータ） (2022-10-13T06:54:13Z) - Deep Unsupervised Domain Adaptation: A Review of Recent Advances and
Perspectives [16.68091981866261]
対象領域のデータの性能低下に対応するために、教師なし領域適応(UDA)を提案する。
UDAは、自然言語処理、ビデオ解析、自然言語処理、時系列データ分析、医用画像解析など、有望な成果を上げている。
論文 参考訳（メタデータ） (2022-08-15T20:05:07Z) - CHALLENGER: Training with Attribution Maps [63.736435657236505]
ニューラルネットワークのトレーニングに属性マップを利用すると、モデルの正規化が向上し、性能が向上することを示す。
特に、我々の汎用的なドメインに依存しないアプローチは、ビジョン、自然言語処理、時系列タスクにおける最先端の結果をもたらすことを示す。
論文 参考訳（メタデータ） (2022-05-30T13:34:46Z) - Deep face recognition with clustering based domain adaptation [57.29464116557734]
そこで本研究では,ターゲットドメインとソースがクラスを共有しない顔認識タスクを対象とした,クラスタリングに基づく新しいドメイン適応手法を提案する。
本手法は,特徴領域をグローバルに整列させ,その一方で,対象クラスタを局所的に識別することで,識別対象特徴を効果的に学習する。
論文 参考訳（メタデータ） (2022-05-27T12:29:11Z) - Coarse to Fine: Domain Adaptive Crowd Counting via Adversarial Scoring
Network [58.05473757538834]
本稿では,ドメイン間のギャップを粗い粒度から細かな粒度に埋める新しい逆スコアリングネットワーク (ASNet) を提案する。
3組のマイグレーション実験により,提案手法が最先端のカウント性能を実現することを示す。
論文 参考訳（メタデータ） (2021-07-27T14:47:24Z) - A Review of Single-Source Deep Unsupervised Visual Domain Adaptation [81.07994783143533]
大規模ラベル付きトレーニングデータセットにより、ディープニューラルネットワークは、幅広いベンチマークビジョンタスクを拡張できるようになった。
多くのアプリケーションにおいて、大量のラベル付きデータを取得するのは非常に高価で時間を要する。
限られたラベル付きトレーニングデータに対処するため、大規模ラベル付きソースドメインでトレーニングされたモデルを、疎ラベルまたは未ラベルのターゲットドメインに直接適用しようと試みている人も多い。
論文 参考訳（メタデータ） (2020-09-01T00:06:50Z) - Physically-Constrained Transfer Learning through Shared Abundance Space
for Hyperspectral Image Classification [14.840925517957258]
本稿では、ソースとターゲットドメイン間のギャップを埋める新しい転送学習手法を提案する。
提案手法は,共有空間を経由した物理制約付き移動学習と呼ばれる。
論文 参考訳（メタデータ） (2020-08-19T17:41:37Z) - Domain Conditioned Adaptation Network [90.63261870610211]
本稿では,ドメイン条件付きチャネルアテンション機構を用いて,異なる畳み込みチャネルを励起するドメイン条件適応ネットワーク(DCAN)を提案する。
これは、ディープDAネットワークのドメインワイドな畳み込みチャネルアクティベーションを探求する最初の試みである。
論文 参考訳（メタデータ） (2020-05-14T04:23:24Z) - Cross-domain Object Detection through Coarse-to-Fine Feature Adaptation [62.29076080124199]
本稿では,クロスドメインオブジェクト検出のための特徴適応手法を提案する。
粗粒度では、アテンション機構を採用して前景領域を抽出し、その辺縁分布に応じて整列する。
粒度の細かい段階では、同じカテゴリのグローバルプロトタイプと異なるドメインとの距離を最小化することにより、前景の条件分布アライメントを行う。
論文 参考訳（メタデータ） (2020-03-23T13:40:06Z)
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。
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。