論文の概要: Representation Learning for Remote Sensing: An Unsupervised Sensor Fusion Approach

• arxiv url: http://arxiv.org/abs/2108.05094v1
• Date: Wed, 11 Aug 2021 08:32:58 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-12 13:29:15.316193
• Title: Representation Learning for Remote Sensing: An Unsupervised Sensor Fusion Approach
• Title（参考訳）: リモートセンシングのための表現学習:教師なしセンサフュージョンアプローチ
• Authors: Aidan M. Swope, Xander H. Rudelis, Kyle T. Story
• Abstract要約: 本稿では,複数の情報源から得られたコヒーレンスデータを利用したコントラシティブ・センサ・フュージョンを提案し,それらの組み合わせのすべての有用な表現を学習する。 4700万枚のラベルのない画像三重項のデータセットを用いて、入力センサーから可能なチャネルの組み合わせから有意義な表現を生成するエンコーダを訓練する。 これらの表現は、リモートセンシング分類タスクにおいて、完全な教師付きイメージネット重みよりも優れ、より多くのセンサーが融合するにつれて改善される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In the application of machine learning to remote sensing, labeled data is often scarce or expensive, which impedes the training of powerful models like deep convolutional neural networks. Although unlabeled data is abundant, recent self-supervised learning approaches are ill-suited to the remote sensing domain. In addition, most remote sensing applications currently use only a small subset of the multi-sensor, multi-channel information available, motivating the need for fused multi-sensor representations. We propose a new self-supervised training objective, Contrastive Sensor Fusion, which exploits coterminous data from multiple sources to learn useful representations of every possible combination of those sources. This method uses information common across multiple sensors and bands by training a single model to produce a representation that remains similar when any subset of its input channels is used. Using a dataset of 47 million unlabeled coterminous image triplets, we train an encoder to produce semantically meaningful representations from any possible combination of channels from the input sensors. These representations outperform fully supervised ImageNet weights on a remote sensing classification task and improve as more sensors are fused. Our code is available at https://storage.cloud.google.com/public-published-datasets/csf_code.zip.
• Abstract（参考訳）: リモートセンシングへの機械学習の適用では、ラベル付きデータはしばしば少ないか高価であり、ディープ畳み込みニューラルネットワークのような強力なモデルのトレーニングを妨げる。 ラベルのないデータは豊富だが、最近の自己教師付き学習アプローチはリモートセンシング領域に不適である。 加えて、ほとんどのリモートセンシングアプリケーションは、現在利用可能なマルチセンサー・マルチチャネル情報の小さなサブセットしか使用していないため、融合したマルチセンサー表現の必要性を動機付けている。 本稿では,複数の情報源から得られたコマチナスなデータを利用して,それらの組み合わせのすべての有用な表現を学習する,新たな自己教師型学習目標であるContrastive Sensor Fusionを提案する。 この方法は、複数のセンサとバンドにまたがる情報を単一のモデルを訓練することで、入力チャネルの任意のサブセットが使用される場合に類似した表現を生成する。 4700万のラベルのないコフィニティ画像三重項のデータセットを用いて、入力センサーから可能なチャネルの組み合わせから意味的に意味のある表現を生成するエンコーダを訓練する。 これらの表現は、リモートセンシング分類タスクで完全に監視されたイメージネット重みを上回り、より多くのセンサーが融合されるにつれて改善される。 私たちのコードはhttps://storage.cloud.google.com/public-published-datasets/csf_code.zipで利用可能です。

関連論文リスト

• Physical-Layer Semantic-Aware Network for Zero-Shot Wireless Sensing [74.12670841657038]
  デバイスレスワイヤレスセンシングは、幅広い没入型人間機械対話型アプリケーションをサポートする可能性から、近年、大きな関心を集めている。 無線信号におけるデータの均一性と分散センシングにおけるデータプライバシ規制は、広域ネットワークシステムにおける無線センシングの広範な適用を妨げる主要な課題であると考えられている。 そこで本研究では,ラベル付きデータを使わずに,一箇所ないし限られた箇所で構築されたモデルを直接他の場所に転送できるゼロショット無線センシングソリューションを提案する。
  論文  参考訳（メタデータ） (2023-12-08T13:50:30Z)
• USat: A Unified Self-Supervised Encoder for Multi-Sensor Satellite Imagery [5.671254904219855]
  我々は、複数のセンサからマルチスペクトルデータを入力し、自己教師付き事前学習を可能にする、USatと呼ばれる新しいエンコーダアーキテクチャを開発した。 我々は、UatをMasked Autoencoder(MAE)自己教師付き事前訓練手順に統合し、事前訓練されたUatがリモートセンシングデータに基づいてトレーニングされた最先端のMAEモデルより優れていることを確認する。
  論文  参考訳（メタデータ） (2023-12-02T19:17:04Z)
• UnLoc: A Universal Localization Method for Autonomous Vehicles using LiDAR, Radar and/or Camera Input [51.150605800173366]
  UnLocは、全ての気象条件におけるマルチセンサー入力によるローカライズのための、新しい統一型ニューラルネットワークアプローチである。 本手法は,Oxford Radar RobotCar,Apollo SouthBay,Perth-WAの各データセットで広く評価されている。
  論文  参考訳（メタデータ） (2023-07-03T04:10:55Z)
• Joint multi-modal Self-Supervised pre-training in Remote Sensing: Application to Methane Source Classification [10.952006057356714]
  地球観測では、ドメイン固有のリモートセンシング画像データを利用する機会がある。 本稿では,いわゆる「共同埋め込み法」の背景にある基本原理を概観し,自己指導型事前学習における複数リモートセンシングの活用について検討する。
  論文  参考訳（メタデータ） (2023-06-16T14:01:57Z)
• Learning Online Multi-Sensor Depth Fusion [100.84519175539378]
  SenFuNetは、センサ固有のノイズと外れ値統計を学習するディープフュージョンアプローチである。 実世界のCoRBSとScene3Dデータセットで様々なセンサーの組み合わせで実験を行う。
  論文  参考訳（メタデータ） (2022-04-07T10:45:32Z)
• Self-supervised Audiovisual Representation Learning for Remote Sensing Data [96.23611272637943]
  遠隔センシングにおける深層ニューラルネットワークの事前学習のための自己教師型アプローチを提案する。 ジオタグ付きオーディオ記録とリモートセンシングの対応を利用して、これは完全にラベルなしの方法で行われる。 提案手法は,既存のリモートセンシング画像の事前学習方法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-08-02T07:50:50Z)
• Seasonal Contrast: Unsupervised Pre-Training from Uncurated Remote Sensing Data [64.40187171234838]
  季節的コントラスト(SeCo)は、リモートセンシング表現のドメイン内事前トレーニングにラベルのないデータを活用するための効果的なパイプラインである。 SeCoは、転送学習を容易にし、再リモートセンシングアプリケーションの急速な進歩を可能にするために公開されます。
  論文  参考訳（メタデータ） (2021-03-30T18:26:39Z)
• Handling Variable-Dimensional Time Series with Graph Neural Networks [20.788813485815698]
  IoT(Internet of Things)テクノロジは、複数のセンサからデータをキャプチャして、複数のセンサ時系列を生成する。 このようなマルチセンサー時系列モデリングのための既存のニューラルネットワークに基づくアプローチは、一定の入力次元またはセンサー数を想定している。 我々は、時系列のソースごとに異なるセンサーのサブセットの可用性やインストールにより、時系列が入力次元の異なるマルチセンサ時系列からニューラルネットワークモデルをトレーニングすることを検討する。
  論文  参考訳（メタデータ） (2020-07-01T12:11:16Z)
• Laplacian Denoising Autoencoder [114.21219514831343]
  本稿では,新しいタイプの自動符号化器を用いてデータ表現を学習することを提案する。 勾配領域における潜伏クリーンデータを破損させて雑音入力データを生成する。 いくつかのビジュアルベンチマークの実験では、提案されたアプローチでより良い表現が学べることが示されている。
  論文  参考訳（メタデータ） (2020-03-30T16:52:39Z)

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。