論文の概要: Overhead-MNIST: Machine Learning Baselines for Image Classification
- arxiv url: http://arxiv.org/abs/2107.00436v1
- Date: Thu, 1 Jul 2021 13:30:39 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-02 17:52:44.117968
- Title: Overhead-MNIST: Machine Learning Baselines for Image Classification
- Title（参考訳）: Overhead-MNIST:画像分類のための機械学習ベースライン
- Authors: Erik Larsen, David Noever, Korey MacVittie and John Lilly
- Abstract要約: 23の機械学習アルゴリズムをトレーニングし、ベースライン比較メトリクスを確立する。
Overhead-MNISTデータセットは、ユビキタスなMNISTの手書き桁に似たスタイルの衛星画像の集合である。
本稿では,エッジの展開性および今後の性能向上のためのベースラインとして,全体的な性能向上アルゴリズムについて述べる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Twenty-three machine learning algorithms were trained then scored to
establish baseline comparison metrics and to select an image classification
algorithm worthy of embedding into mission-critical satellite imaging systems.
The Overhead-MNIST dataset is a collection of satellite images similar in style
to the ubiquitous MNIST hand-written digits found in the machine learning
literature. The CatBoost classifier, Light Gradient Boosting Machine, and
Extreme Gradient Boosting models produced the highest accuracies, Areas Under
the Curve (AUC), and F1 scores in a PyCaret general comparison. Separate
evaluations showed that a deep convolutional architecture was the most
promising. We present results for the overall best performing algorithm as a
baseline for edge deployability and future performance improvement: a
convolutional neural network (CNN) scoring 0.965 categorical accuracy on unseen
test data.
- Abstract（参考訳）: 23の機械学習アルゴリズムをトレーニングして、ベースライン比較メトリクスの確立と、ミッションクリティカルな衛星画像システムへの埋め込みに適した画像分類アルゴリズムの選択を行った。
Overhead-MNISTデータセットは、機械学習の文献に見られる、ユビキタスなMNISTの手書き桁に似たスタイルの衛星画像の集合である。
キャットブースト分類器、光勾配ブースティングマシン、および極勾配ブースティングモデルは、ピカレット一般比較において最も高い精度、曲線下領域(auc)、およびf1得点を生み出した。
別々の評価では、深い畳み込みアーキテクチャが最も有望であった。
我々は、エッジ展開可能性と将来のパフォーマンス向上のためのベースラインとして、全体的なベストパフォーマンスアルゴリズムの結果を示す: 畳み込みニューラルネットワーク(CNN)は、目に見えないテストデータに対して0.965のカテゴリ精度をスコア付けする。
関連論文リスト
- Dual-branch PolSAR Image Classification Based on GraphMAE and Local Feature Extraction [22.39266854681996]
本稿では,生成的自己教師型学習に基づく二分岐分類モデルを提案する。
最初のブランチはスーパーピクセルブランチであり、生成的な自己教師付きグラフマスキングオートエンコーダを用いてスーパーピクセルレベルの偏光度表現を学習する。
より詳細な分類結果を得るために、畳み込みニューラルネットワークに基づく画素ブランチをさらに組み込んで画素レベルの特徴を学習する。
論文 参考訳（メタデータ） (2024-08-08T08:17:50Z) - ELFIS: Expert Learning for Fine-grained Image Recognition Using Subsets [6.632855264705276]
ファイングラインド・ビジュアル・認識のためのエキスパート・ラーニング・フレームワークであるELFISを提案する。
ニューラルネットワークベースのエキスパートのセットは、メタカテゴリに焦点を当ててトレーニングされ、マルチタスクフレームワークに統合される。
実験では、CNNとトランスフォーマーベースのネットワークを使用して、最大+1.3%の精度でSoTA FGVRベンチマークが改善された。
論文 参考訳（メタデータ） (2023-03-16T12:45:19Z) - RankDNN: Learning to Rank for Few-shot Learning [70.49494297554537]
本稿では、画像検索の関連性ランキングをバイナリランキング関係分類として活用する、新しい数ショット学習パイプラインを提案する。
これは、数ショットの学習に関する新しい視点を提供し、最先端の手法を補完する。
論文 参考訳（メタデータ） (2022-11-28T13:59:31Z) - DeepDC: Deep Distance Correlation as a Perceptual Image Quality
Evaluator [53.57431705309919]
ImageNet Pre-trained Deep Neural Network (DNN)は、効果的な画像品質評価(IQA)モデルを構築するための顕著な転送性を示す。
我々は,事前学習DNN機能のみに基づく新しいフル参照IQA(FR-IQA)モデルを開発した。
5つの標準IQAデータセット上で,提案した品質モデルの優位性を示すため,包括的実験を行った。
論文 参考訳（メタデータ） (2022-11-09T14:57:27Z) - Large-Margin Representation Learning for Texture Classification [67.94823375350433]
本稿では,テクスチャ分類のための小さなデータセット上で教師付きモデルをトレーニングするために,畳み込み層(CL)と大規模計量学習を組み合わせた新しいアプローチを提案する。
テクスチャと病理画像データセットの実験結果から,提案手法は同等のCNNと比較して計算コストが低く,収束が早く,競争精度が向上することが示された。
論文 参考訳（メタデータ） (2022-06-17T04:07:45Z) - GNNRank: Learning Global Rankings from Pairwise Comparisons via Directed
Graph Neural Networks [68.61934077627085]
本稿では,グラフ埋め込みを学習可能なGNNと互換性のあるモデリングフレームワークであるGNNRankを紹介する。
既存の手法と比較して,我々の手法が競争力があり,しばしば優れた性能を発揮することを示す。
論文 参考訳（メタデータ） (2022-02-01T04:19:50Z) - An Empirical Analysis of Recurrent Learning Algorithms In Neural Lossy
Image Compression Systems [73.48927855855219]
近年のディープラーニングの進歩により、JPEGとJPEG 2000を標準のKodakベンチマークで上回る画像圧縮アルゴリズムが実現している。
本稿では,最近の最先端ハイブリッドニューラル圧縮アルゴリズムの大規模比較を行う。
論文 参考訳（メタデータ） (2022-01-27T19:47:51Z) - Reinforcement Learning Based Handwritten Digit Recognition with
Two-State Q-Learning [1.8782750537161614]
本稿では,ディープラーニングと強化学習に基づくハイブリッドアプローチを提案する。
Q-Learningは2つのQ状態と4つのアクションで使用される。
提案手法は,AlexNet,CNN-Nearest Neighbor,CNNSupport Vector Machineなどの現代技術よりも優れている。
論文 参考訳（メタデータ） (2020-06-28T14:23:36Z) - Patch Based Classification of Remote Sensing Data: A Comparison of
2D-CNN, SVM and NN Classifiers [0.0]
パッチベースのSVMとNNの性能と,2D-CNNと完全連結層からなるディープラーニングアルゴリズムの性能を比較した。
両方のデータセットによる結果は、パッチベースのSVMとNNの有効性を示唆している。
論文 参考訳（メタデータ） (2020-06-21T11:07:37Z) - Heuristic Semi-Supervised Learning for Graph Generation Inspired by
Electoral College [80.67842220664231]
本稿では,新たなノードやエッジを自動的に拡張して,高密度サブグラフ内のラベル類似性を向上する,新しい前処理手法であるElectoral College(ELCO)を提案する。
テストされたすべての設定において、我々の手法はベースモデルの平均スコアを4.7ポイントの広いマージンで引き上げるとともに、常に最先端のモデルよりも優れています。
論文 参考訳（メタデータ） (2020-06-10T14:48:48Z)
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。