論文の概要: Multi-view Contrastive Coding of Remote Sensing Images at Pixel-level
- arxiv url: http://arxiv.org/abs/2105.08501v1
- Date: Tue, 18 May 2021 13:28:46 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-19 18:59:26.359175
- Title: Multi-view Contrastive Coding of Remote Sensing Images at Pixel-level
- Title（参考訳）: 画素レベルでのリモートセンシング画像のマルチビューコントラスト符号化
- Authors: Yuxing Chen
- Abstract要約: この制限を克服するために、ラベルのないマルチビュー設定に基づく画素単位のコントラスト的アプローチを提案する。
擬似媒介ResUnetは、シフトした正のペアから特徴を整列することを目的とした表現を学ぶために訓練される。
その結果,最先端のマルチビューコントラスト法よりも効率と精度が向上した。
- 参考スコア（独自算出の注目度）: 5.64497799927668
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Our planet is viewed by satellites through multiple sensors (e.g.,
multi-spectral, Lidar and SAR) and at different times. Multi-view observations
bring us complementary information than the single one. Alternatively, there
are common features shared between different views, such as geometry and
semantics. Recently, contrastive learning methods have been proposed for the
alignment of multi-view remote sensing images and improving the feature
representation of single sensor images by modeling view-invariant factors.
However, these methods are based on the pretraining of the predefined tasks or
just focus on image-level classification. Moreover, these methods lack research
on uncertainty estimation. In this work, a pixel-wise contrastive approach
based on an unlabeled multi-view setting is proposed to overcome this
limitation. This is achieved by the use of contrastive loss in the feature
alignment and uniformity between multi-view images. In this approach, a
pseudo-Siamese ResUnet is trained to learn a representation that aims to align
features from the shifted positive pairs and uniform the induced distribution
of the features on the hypersphere. The learned features of multi-view remote
sensing images are evaluated on a liner protocol evaluation and an unsupervised
change detection task. We analyze key properties of the approach that make it
work, finding that the requirement of shift equivariance ensured the success of
the proposed approach and the uncertainty estimation of representations leads
to performance improvements. Moreover, the performance of multi-view
contrastive learning is affected by the choice of different sensors. Results
demonstrate both improvements in efficiency and accuracy over the
state-of-the-art multi-view contrastive methods.
- Abstract（参考訳）: 我々の惑星は複数のセンサー(マルチスペクトル、ライダー、SARなど)と異なる時間で衛星によって観測される。
多視点観察は、一つのものよりも補完的な情報をもたらす。
あるいは、幾何やセマンティクスなど、異なるビュー間で共有される共通の機能もある。
近年,マルチビューリモートセンシング画像のアライメントと,ビュー不変因子のモデル化による単一センサ画像の特徴表現の改善のために,コントラスト学習手法が提案されている。
しかし、これらの手法は、事前に定義されたタスクの事前学習、あるいは画像レベルの分類のみに焦点を当てている。
さらに、これらの手法は不確実性推定の研究を欠いている。
本研究では,この制限を克服するために,ラベルのないマルチビュー設定に基づく画素単位のコントラスト的アプローチを提案する。
これは、特徴アライメントにおける対照的な損失と、多視点画像間の均一性によって達成される。
このアプローチでは, 擬似媒介ResUnetを用いて, シフトした正の対から特徴を整列させ, 超球上の特徴の誘導分布を均一化することを目的とした表現を学習する。
マルチビューリモートセンシング画像の学習特徴を、線形プロトコルの評価と教師なしの変更検出タスクに基づいて評価する。
提案手法を動作させるアプローチの重要な特性を分析し,シフト等分散の要求が提案手法の成功を保証し,表現の不確実性の推定が性能向上につながることを見出した。
さらに、マルチビューコントラスト学習の性能は、異なるセンサの選択によって影響を受ける。
その結果,最先端のマルチビューコントラスト法よりも効率と精度が向上した。
関連論文リスト
- MODEL&CO: Exoplanet detection in angular differential imaging by learning across multiple observations [37.845442465099396]
ほとんどの後処理法は、対象の観測自体から核分裂のモデルを構築している。
本稿では,教師付き深層学習技術を利用して,複数観測のアーカイブからニュアンスモデルを構築することを提案する。
本稿では,提案手法をVLT/SPHERE機器から得られた複数のデータセットに適用し,高精度なリコールトレードオフを示す。
論文 参考訳（メタデータ） (2024-09-23T09:22:45Z) - ProbMCL: Simple Probabilistic Contrastive Learning for Multi-label Visual Classification [16.415582577355536]
マルチラベル画像分類は、コンピュータビジョンや医用画像など、多くの領域において難しい課題である。
最近の進歩は、グラフベースとトランスフォーマーベースのメソッドを導入し、パフォーマンスを改善し、ラベルの依存関係をキャプチャしている。
本稿では,これらの課題に対処する新しいフレームワークである確率的多ラベルコントラスト学習(ProbMCL)を提案する。
論文 参考訳（メタデータ） (2024-01-02T22:15:20Z) - Reinforcement-based Display-size Selection for Frugal Satellite Image
Change Detection [5.656581242851759]
能動学習に基づく対話型衛星画像変化検出アルゴリズムを提案する。
提案手法は反復的であり,最も重要な画像のラベルについてユーザ(オーラル)を軽率に探索する。
論文 参考訳（メタデータ） (2023-12-28T11:14:43Z) - Two Approaches to Supervised Image Segmentation [55.616364225463066]
本研究は、深層学習とマルチセットニューロンのアプローチの比較実験を開発する。
ディープラーニングアプローチは、画像セグメンテーションの実行の可能性を確認した。
代替のマルチセット手法では、計算資源をほとんど必要とせずに精度を向上することができた。
論文 参考訳（メタデータ） (2023-07-19T16:42:52Z) - Learning from Multi-Perception Features for Real-Word Image
Super-resolution [87.71135803794519]
入力画像の複数の知覚的特徴を利用する新しいSR手法MPF-Netを提案する。
本稿では,MPFEモジュールを組み込んで,多様な知覚情報を抽出する手法を提案する。
また、モデルの学習能力を向上する対照的な正規化項(CR)も導入する。
論文 参考訳（メタデータ） (2023-05-26T07:35:49Z) - Unsupervised Feature Clustering Improves Contrastive Representation
Learning for Medical Image Segmentation [18.75543045234889]
自己監督型インスタンス識別は、特徴表現を学習し、限られた医用画像アノテーションに対処する効果的なコントラスト的前提課題である。
本稿では,教師なし特徴クラスタリングを用いた自己教師付きコントラスト学習手法を提案する。
本手法は,これらの課題に対して,最先端の自己監督型コントラスト技術より優れる。
論文 参考訳（メタデータ） (2022-11-15T22:54:29Z) - Modulated Contrast for Versatile Image Synthesis [60.304183493234376]
MoNCEは画像のコントラストを導入し、多面的画像間距離の知覚のための校正基準を学習する。
複数の対照的な目的に対して協調的に負のサンプルのプッシュ力を変調するために,MoNCEの最適輸送を導入する。
論文 参考訳（メタデータ） (2022-03-17T14:03:46Z) - Learning Contrastive Representation for Semantic Correspondence [150.29135856909477]
セマンティックマッチングのためのマルチレベルコントラスト学習手法を提案する。
画像レベルのコントラスト学習は、畳み込み特徴が類似したオブジェクト間の対応を見出すための鍵となる要素であることを示す。
論文 参考訳（メタデータ） (2021-09-22T18:34:14Z) - Learning Discriminative Representations for Multi-Label Image
Recognition [13.13795708478267]
マルチラベルタスクにおける識別的特徴を学習するための統合深層ネットワークを提案する。
ネットワーク全体を正規化することで、よく知られたResNet-101の適用性能が大幅に向上する。
論文 参考訳（メタデータ） (2021-07-23T12:10:46Z) - Semantic Change Detection with Asymmetric Siamese Networks [71.28665116793138]
2つの空中画像が与えられた場合、セマンティックチェンジ検出は、土地被覆のバリエーションを特定し、それらの変化タイプをピクセルワイド境界で識別することを目的としている。
この問題は、正確な都市計画や天然資源管理など、多くの地球ビジョンに関連するタスクにおいて不可欠である。
本研究では, 広く異なる構造を持つモジュールから得られた特徴対を用いて意味変化を同定し, 同定するための非対称システマネットワーク(ASN)を提案する。
論文 参考訳（メタデータ） (2020-10-12T13:26:30Z) - Distilling Localization for Self-Supervised Representation Learning [82.79808902674282]
コントラスト学習は教師なし表現学習に革命をもたらした。
現在のコントラストモデルでは、前景オブジェクトのローカライズには効果がない。
本稿では,背景変化を学習するためのデータ駆動型手法を提案する。
論文 参考訳（メタデータ） (2020-04-14T16:29:42Z)
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。