論文の概要: A Novel Uncertainty-aware Collaborative Learning Method for Remote
Sensing Image Classification Under Multi-Label Noise
- arxiv url: http://arxiv.org/abs/2105.05496v1
- Date: Wed, 12 May 2021 08:06:14 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-13 22:18:21.526858
- Title: A Novel Uncertainty-aware Collaborative Learning Method for Remote
Sensing Image Classification Under Multi-Label Noise
- Title（参考訳）: マルチラベル雑音下におけるリモートセンシング画像分類のための新しい不確実性認識協調学習法
- Authors: Ahmet Kerem Aksoy, Mahdyar Ravanbakhsh, Tristan Kreuziger, Begum Demir
- Abstract要約: 本稿では,アーキテクチャ非依存な共用型多ラベル学習(ccml)手法を提案する。
ccmlは4つの主要モジュールを通してノイズの多いマルチラベル画像を識別し、ランク付けし、修正する。
マルチラベルRS画像アーカイブIR-BigEarthNetの実験により,提案したCCMLの堅牢性が確認された。
- 参考スコア（独自算出の注目度）: 0.9995347522610671
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In remote sensing (RS), collecting a large number of reliable training images
annotated by multiple land-cover class labels for multi-label classification
(MLC) is time-consuming and costly. To address this problem, the publicly
available thematic products are often used for annotating RS images with
zero-labeling cost. However, in this case the training set can include noisy
multi-labels that distort the learning process, resulting in inaccurate
predictions. This paper proposes an architect-independent Consensual
Collaborative Multi-Label Learning (CCML) method to train deep classifiers
under input-dependent (heteroscedastic) multi-label noise in the MLC problems.
The proposed CCML identifies, ranks, and corrects noisy multi-label images
through four main modules: 1) group lasso module; 2) discrepancy module; 3)
flipping module; and 4) swap module. The group lasso module detects the
potentially noisy labels by estimating the label uncertainty based on the
aggregation of two collaborative networks. The discrepancy module ensures that
the two networks learn diverse features, while obtaining the same predictions.
The flipping module corrects the identified noisy labels, and the swap module
exchanges the ranking information between the two networks. The experiments
conducted on the multi-label RS image archive IR-BigEarthNet confirm the
robustness of the proposed CCML under extreme multi-label noise rates.
- Abstract（参考訳）: リモートセンシング(RS)では、マルチラベル分類(MLC)のための複数のランドカバークラスラベルで注釈付けされた多数の信頼できるトレーニング画像を集めるのに時間と費用がかかる。
この問題に対処するために、一般に利用可能なテーマ製品は、RS画像にゼロラベルのコストでアノテートするためにしばしば使用される。
しかし、この場合、トレーニングセットには、学習プロセスを歪ませるノイズの多いマルチラベルが含まれ、不正確な予測をもたらす。
本稿では,mlc問題における入力依存(ヘテロシステティック)マルチラベル雑音下で深層分類器を訓練する,設計者に依存しない共用多段学習(ccml)手法を提案する。
提案したCCMLは,1)グループラッソモジュール,2)離散モジュール,3)フリップモジュール,および4)スワップモジュールの4つの主要モジュールを通して,ノイズの多いマルチラベル画像を特定し,ランク付けし,修正する。
グループラッソモジュールは、2つの協調ネットワークの集約に基づいてラベルの不確実性を推定することにより、潜在的にノイズの多いラベルを検出する。
相違モジュールは、2つのネットワークが同じ予測を得ながら多様な特徴を学習することを保証する。
スイッチングモジュールは識別されたノイズラベルを補正し、スワップモジュールは2つのネットワーク間でランキング情報を交換する。
マルチラベルRS画像アーカイブIR-BigEarthNetで行った実験は、提案したCCMLの極端なマルチラベルノイズレートでの堅牢性を確認する。
関連論文リスト
- Multi-Granularity Denoising and Bidirectional Alignment for Weakly
Supervised Semantic Segmentation [75.32213865436442]
本稿では,雑音ラベルと多クラス一般化問題を緩和するために,MDBAモデルを提案する。
MDBAモデルはPASCAL VOC 2012データセットの検証とテストセットにおいて69.5%と70.2%のmIoUに達することができる。
論文 参考訳（メタデータ） (2023-05-09T03:33:43Z) - Learning Disentangled Label Representations for Multi-label
Classification [39.97251974500034]
One-Shared-Feature-for-Multiple-Labels (OFML) は識別ラベルの特徴を学習するのに役立ちません。
我々は,One-specific-Feature-for-One-Label(OFOL)機構を導入し,新しいアンタングル付きラベル特徴学習フレームワークを提案する。
8つのデータセットで最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2022-12-02T21:49:34Z) - Category-Adaptive Label Discovery and Noise Rejection for Multi-label
Image Recognition with Partial Positive Labels [78.88007892742438]
部分正ラベル(MLR-PPL)を用いたマルチラベルモデルの訓練が注目されている。
これまでの研究では、未知のラベルを負とみなし、従来のMLRアルゴリズムを採用した。
我々は,MLR-PPLタスクを容易にするために,異なる画像間の意味的相関について検討する。
論文 参考訳（メタデータ） (2022-11-15T02:11:20Z) - On the Effects of Different Types of Label Noise in Multi-Label Remote
Sensing Image Classification [1.6758573326215689]
リモートセンシング(RS)画像のマルチラベル分類(MLC)のための高精度な手法の開発は、RSにおいて最も重要な研究トピックの1つである。
複数のランドカバークラスラベル (multi-labels) でアノテートされた多数の信頼できるトレーニングイメージを必要とするディープニューラルネットワークの使用は、RSで人気がある。
本稿では,3つの異なる雑音頑健なCV SLC法について検討し,RSのマルチラベル雑音シナリオに対して頑健であるように適応する。
論文 参考訳（メタデータ） (2022-07-28T09:38:30Z) - Dual-Perspective Semantic-Aware Representation Blending for Multi-Label
Image Recognition with Partial Labels [70.36722026729859]
本稿では,多粒度カテゴリ固有の意味表現を異なる画像にブレンドした,二重パースペクティブな意味認識表現ブレンディング(DSRB)を提案する。
提案したDSは、すべての比率ラベル設定において、最先端のアルゴリズムを一貫して上回っている。
論文 参考訳（メタデータ） (2022-05-26T00:33:44Z) - Learning Self-Supervised Low-Rank Network for Single-Stage Weakly and
Semi-Supervised Semantic Segmentation [119.009033745244]
本稿では,単一段階弱教師付きセマンティックセマンティックセマンティックセマンティクス(WSSS)と半教師付きセマンティクスセマンティクスセマンティクス(SSSS)のための自己教師付き低ランクネットワーク(SLRNet)を提案する。
SLRNetは、画像の異なるビューから複数の注意深いLR表現を同時に予測し、正確な擬似ラベルを学習する。
Pascal VOC 2012、COCO、L2IDデータセットの実験では、SLRNetは最先端のWSSSメソッドとSSSSメソッドの両方で、さまざまな設定で優れています。
論文 参考訳（メタデータ） (2022-03-19T09:19:55Z) - Structured Semantic Transfer for Multi-Label Recognition with Partial
Labels [85.6967666661044]
部分ラベル付きマルチラベル認識モデルのトレーニングを可能にする構造化意味伝達(SST)フレームワークを提案する。
このフレームワークは2つの相補的なトランスファーモジュールから構成され、インテリアイメージとクロスイメージセマンティック相関を探索する。
Microsoft COCO、Visual Genome、Pascal VOCデータセットの実験は、提案されたSSTフレームワークが現在の最先端アルゴリズムよりも優れたパフォーマンスが得られることを示している。
論文 参考訳（メタデータ） (2021-12-21T02:15:01Z) - Meta-Learning for Multi-Label Few-Shot Classification [38.222736913855115]
この研究は、モデルがクエリ内で複数のラベルを予測することを学習するマルチラベルメタラーニングの問題をターゲットにしている。
ニューラルネットワークモジュールを導入し,リレーショナル推論を利用してサンプルのラベル数を推定する。
総合的な実験により,提案手法とニューラルラベルカウントモジュール(NLC)を併用したラベルプロパゲーションアルゴリズムが選択方法として検討されることが示唆された。
論文 参考訳（メタデータ） (2021-10-26T08:47:48Z) - CCML: A Novel Collaborative Learning Model for Classification of Remote
Sensing Images with Noisy Multi-Labels [0.9995347522610671]
CNNモデルのトレーニングフェーズにおけるマルチラベルノイズの悪影響を軽減するために,CCML(Consensual Collaborative Multi-Label Learning)法を提案する。
CCMLは、4つのメインモジュールに基づいてRS画像の騒々しいマルチラベルを特定し、ランク付けし、修正します。
論文 参考訳（メタデータ） (2020-12-19T15:42:24Z) - Attention-Aware Noisy Label Learning for Image Classification [97.26664962498887]
大規模ラベル付きサンプルで学習した深層畳み込みニューラルネットワーク(CNN)は、コンピュータビジョンにおいて顕著な進歩を遂げている。
大量のラベル付きビジュアルデータを取得する最も安価な方法は、Flickrのようなユーザーが提供するラベルでウェブサイトからクロールすることである。
本稿では,潜在的なラベルノイズのあるデータセットに基づいて学習したネットワークの識別能力を向上させるために,注目に敏感なラベル学習手法を提案する。
論文 参考訳（メタデータ） (2020-09-30T15:45:36Z)
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。