論文の概要: External-Memory Networks for Low-Shot Learning of Targets in
Forward-Looking-Sonar Imagery
- arxiv url: http://arxiv.org/abs/2107.10504v1
- Date: Thu, 22 Jul 2021 07:50:44 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-23 19:35:33.525571
- Title: External-Memory Networks for Low-Shot Learning of Targets in
Forward-Looking-Sonar Imagery
- Title(参考訳): 前向きソナー画像におけるターゲットの低ショット学習のための外部記憶ネットワーク
- Authors: Isaac J. Sledge, Christopher D. Toole, Joseph A. Maestri, and Jose C.
Principe
- Abstract要約: 本稿では,前向きソナー(FLS)画像におけるリアルタイム・データ効率の高いターゲット分析のためのメモリベースフレームワークを提案する。
我々のフレームワークは、DenseNetにインスパイアされた小さなネットワークを用いて、画像から識別不能な詳細を最初に除去することに依存している。
次に,フィルタ画像から新しいニューラルRAMベースの畳み込みマッチングネットワーク NRMN をカスケードして,低ショット目標認識を行う。
- 参考スコア(独自算出の注目度): 8.767175335575386
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We propose a memory-based framework for real-time, data-efficient target
analysis in forward-looking-sonar (FLS) imagery. Our framework relies on first
removing non-discriminative details from the imagery using a small-scale
DenseNet-inspired network. Doing so simplifies ensuing analyses and permits
generalizing from few labeled examples. We then cascade the filtered imagery
into a novel NeuralRAM-based convolutional matching network, NRMN, for low-shot
target recognition. We employ a small-scale FlowNet, LFN to align and register
FLS imagery across local temporal scales. LFN enables target label consensus
voting across images and generally improves target detection and recognition
rates.
We evaluate our framework using real-world FLS imagery with multiple broad
target classes that have high intra-class variability and rich sub-class
structure. We show that few-shot learning, with anywhere from ten to thirty
class-specific exemplars, performs similarly to supervised deep networks
trained on hundreds of samples per class. Effective zero-shot learning is also
possible. High performance is realized from the inductive-transfer properties
of NRMNs when distractor elements are removed.
- Abstract(参考訳): 本稿では,前向きソナー(FLS)画像におけるリアルタイム・データ効率の高いターゲット分析のためのメモリベースフレームワークを提案する。
我々のフレームワークは、DenseNetにインスパイアされた小さなネットワークを用いて、画像から識別不能な詳細を最初に除去することに依存している。
これにより、続く分析を単純化し、ラベル付き例から一般化することができる。
次に,フィルタ画像から新しいニューラルRAMベースの畳み込みマッチングネットワークであるNEMNにカスケードして,ローショットターゲット認識を行う。
我々は,小規模フローネットlfnを用いて,局所的な時間スケールでfls画像の調整と登録を行う。
LFNは画像間での目標ラベルのコンセンサス投票を可能にし、一般的にターゲットの検出と認識率を改善する。
本研究では,多種多様なクラスを対象とする実世界のFLS画像を用いたフレームワークの評価を行った。
10から30のクラス特化外見を持つ数ショットの学習は、クラス毎に数百のサンプルでトレーニングされた教師付きディープネットワークと同じようなパフォーマンスを示す。
効果的なゼロショット学習も可能である。
NRMNのインダクティブ・トランスファー特性から、イントラクタ素子の除去時に高い性能を実現する。
関連論文リスト
- Meta-Exploiting Frequency Prior for Cross-Domain Few-Shot Learning [86.99944014645322]
クロスドメインなFew-Shot学習のための新しいフレームワーク,Meta-Exploiting Frequency Priorを導入する。
各クエリ画像を高周波および低周波成分に分解し,特徴埋め込みネットワークに並列に組み込む。
本フレームワークは、複数のドメイン間数ショット学習ベンチマークにおいて、最先端の新たな結果を確立する。
論文 参考訳(メタデータ) (2024-11-03T04:02:35Z) - Siamese Transformer Networks for Few-shot Image Classification [9.55588609556447]
人間は視覚分類タスクにおいて顕著な熟練度を示し、最小限の例で新しい画像を正確に認識し分類する。
既存の少数の画像分類手法は、大域的特徴と局所的特徴の両方を強調し、両者を統合することを考える研究はほとんどない。
我々は,シームズ変圧器ネットワーク(STN)に基づく新しいアプローチを提案する。
我々の戦略は, 複雑な特徴適応モジュールの必要性を回避し, 画像分類におけるグローバルな特徴と局所的な特徴の可能性を効果的に活用する。
論文 参考訳(メタデータ) (2024-07-16T14:27:23Z) - Visual Recognition with Deep Nearest Centroids [57.35144702563746]
我々は、概念的にエレガントで驚くほど効果的な大規模視覚認識ネットワークである深部セントロイド(DNC)を考案した。
パラメトリックと比較すると、DNCは画像分類(CIFAR-10, ImageNet)に優れ、画像認識(ADE20K, Cityscapes)を大いに起動する。
論文 参考訳(メタデータ) (2022-09-15T15:47:31Z) - Spatial Likelihood Voting with Self-Knowledge Distillation for Weakly
Supervised Object Detection [54.24966006457756]
自己知識蒸留ネットワーク(SLV-SDネット)を用いたWSODフレームワークを提案する。
SLV-SD Netは、境界ボックスアノテーションなしで領域提案のローカライゼーションを収束させる。
PASCAL VOC 2007/2012およびMS-COCOデータセットの実験は、SLV-SD Netの優れた性能を示している。
論文 参考訳(メタデータ) (2022-04-14T11:56:19Z) - Weakly-supervised fire segmentation by visualizing intermediate CNN
layers [82.75113406937194]
画像やビデオにおける火の局所化は、火災事故に対処するための自律システムにとって重要なステップである。
我々は,ネットワークのトレーニングに画像ラベルのみを使用する,画像中の火の弱い制御セグメント化について検討する。
CNNの中間層における特徴量の平均値は,2値セグメンテーション問題である火災セグメンテーションの場合,従来のクラスアクティベーションマッピング(CAM)法よりも優れていることを示す。
論文 参考訳(メタデータ) (2021-11-16T11:56:28Z) - New SAR target recognition based on YOLO and very deep multi-canonical
correlation analysis [0.1503974529275767]
本稿では,異なるCNN層から有効な特徴を適応的に融合させることにより,SAR画像ターゲット分類のためのロバストな特徴抽出手法を提案する。
MSTARデータセットの実験により,提案手法が最先端手法より優れていることが示された。
論文 参考訳(メタデータ) (2021-10-28T18:10:26Z) - Experience feedback using Representation Learning for Few-Shot Object
Detection on Aerial Images [2.8560476609689185]
大規模なリモートセンシング画像データセットであるDOTAを用いて,本手法の性能評価を行った。
特に、数発のオブジェクト検出タスクの固有の弱点を強調します。
論文 参考訳(メタデータ) (2021-09-27T13:04:53Z) - Disentangled Feature Representation for Few-shot Image Classification [64.40410801469106]
そこで本研究では,DFRと呼ばれる新しいDistangled Feature Representationフレームワークを提案する。
DFRは、分類枝によってモデル化される識別的特徴を、変動枝のクラス非関連成分から適応的に分離することができる。
一般的に、一般的な深層数ショット学習手法のほとんどが分類ブランチとしてプラグインできるため、DFRは様々な数ショットタスクのパフォーマンスを向上させることができる。
論文 参考訳(メタデータ) (2021-09-26T09:53:11Z) - Region Comparison Network for Interpretable Few-shot Image
Classification [97.97902360117368]
新しいクラスのモデルをトレーニングするために、ラベル付きサンプルの限られた数だけを効果的に活用するための画像分類が提案されている。
本研究では,領域比較ネットワーク (RCN) と呼ばれる距離学習に基づく手法を提案する。
また,タスクのレベルからカテゴリへの解釈可能性の一般化も提案する。
論文 参考訳(メタデータ) (2020-09-08T07:29:05Z)
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。