論文の概要: Appearance Based Deep Domain Adaptation for the Classification of Aerial Images

• arxiv url: http://arxiv.org/abs/2108.07779v1
• Date: Tue, 17 Aug 2021 17:35:28 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-18 15:17:55.940812
• Title: Appearance Based Deep Domain Adaptation for the Classification of Aerial Images
• Title（参考訳）: 航空画像の分類のための外観に基づく深部領域適応
• Authors: Dennis Wittich and Franz Rottensteiner
• Abstract要約: 本稿では、ディープニューラルネットワーク(DNN)を用いたリモートセンシングデータの画素ワイズ分類のためのドメイン適応について述べる。 我々は、ラベル付きデータがソースドメインDSでしか利用できないが、ターゲットドメインDTでは利用できない設定に焦点を当てる。 本手法は,画像がDTの画像のように見えるようにDSから画像に変換する外観適応ネットワーク(AAN)の対角訓練に基づく。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper addresses domain adaptation for the pixel-wise classification of remotely sensed data using deep neural networks (DNN) as a strategy to reduce the requirements of DNN with respect to the availability of training data. We focus on the setting in which labelled data are only available in a source domain DS, but not in a target domain DT. Our method is based on adversarial training of an appearance adaptation network (AAN) that transforms images from DS such that they look like images from DT. Together with the original label maps from DS, the transformed images are used to adapt a DNN to DT. We propose a joint training strategy of the AAN and the classifier, which constrains the AAN to transform the images such that they are correctly classified. In this way, objects of a certain class are changed such that they resemble objects of the same class in DT. To further improve the adaptation performance, we propose a new regularization loss for the discriminator network used in domain adversarial training. We also address the problem of finding the optimal values of the trained network parameters, proposing an unsupervised entropy based parameter selection criterion which compensates for the fact that there is no validation set in DT that could be monitored. As a minor contribution, we present a new weighting strategy for the cross-entropy loss, addressing the problem of imbalanced class distributions. Our method is evaluated in 42 adaptation scenarios using datasets from 7 cities, all consisting of high-resolution digital orthophotos and height data. It achieves a positive transfer in all cases, and on average it improves the performance in the target domain by 4.3% in overall accuracy. In adaptation scenarios between datasets from the ISPRS semantic labelling benchmark our method outperforms those from recent publications by 10-20% with respect to the mean intersection over union.
• Abstract（参考訳）: 本稿では、深層ニューラルネットワーク(DNN)を用いたリモートセンシングデータの画素ワイド分類のためのドメイン適応を、トレーニングデータの可用性に関するDNNの要求を低減するための戦略として扱う。 我々は、ラベル付きデータがソースドメインDSでのみ利用可能であるが、ターゲットドメインDTでは利用できない設定に焦点を当てる。 本手法は,画像がDTの画像のように見えるようにDSから画像に変換する外観適応ネットワーク(AAN)の対角訓練に基づく。 DSのオリジナルラベルマップとともに、変換された画像を使用してDNNをDTに適応させる。 本稿では、AANと分類器の併用訓練戦略を提案し、AANが画像を正しく分類するように変換することを制約する。 このように、あるクラスのオブジェクトはDTの同じクラスのオブジェクトに似ているように変更されます。 適応性能をさらに向上するために,ドメイン逆行訓練に用いる判別器ネットワークの新たな正規化損失を提案する。 また、トレーニングされたネットワークパラメータの最適値を求める問題にも対処し、監視可能なDTに検証セットがないことを補う教師なしエントロピーに基づくパラメータ選択基準を提案する。 軽微な貢献として、不均衡なクラス分布の問題に対処するため、クロスエントロピー損失の新しい重み付け戦略を提案する。 提案手法は,高解像度デジタル写真と高さデータからなる7都市のデータセットを用いて,42の適応シナリオで評価する。 全てのケースで正の転送を達成し、平均すると全体の精度で目標領域のパフォーマンスを4.3%向上させる。 ISPRSセマンティックラベリングベンチマークのデータセット間の適応シナリオでは、我々の手法は、結合平均の交点に関して、最近の出版物からのデータセットを10～20%上回っている。

関連論文リスト

• Fine-grained Recognition with Learnable Semantic Data Augmentation [68.48892326854494]
  きめ細かい画像認識は、長年続くコンピュータビジョンの課題である。 本稿では,識別領域損失問題を軽減するため,特徴レベルのトレーニングデータを多様化することを提案する。 本手法は,いくつかの人気分類ネットワーク上での一般化性能を著しく向上させる。
  論文  参考訳（メタデータ） (2023-09-01T11:15:50Z)
• Adapting the Mean Teacher for keypoint-based lung registration under geometric domain shifts [75.51482952586773]
  ディープニューラルネットワークは一般的に、ラベル付きトレーニングデータが多く必要であり、トレーニングデータとテストデータの間のドメインシフトに弱い。 本稿では,ラベル付きソースからラベル付きターゲットドメインへのモデルの適用により,画像登録のための幾何学的領域適応手法を提案する。 本手法は,ベースラインモデルの精度を目標データに適合させながら,ベースラインモデルの50%/47%を継続的に改善する。
  論文  参考訳（メタデータ） (2022-07-01T12:16:42Z)
• ProCST: Boosting Semantic Segmentation using Progressive Cyclic Style-Transfer [38.03127458140549]
  ドメイン適応技術を改善するための新しい2段階フレームワークを提案する。 最初のステップでは、複数のスケールのニューラルネットワークを段階的にトレーニングし、ソースデータからターゲットデータへの初期転送を行う。 この新たなデータは、所望のターゲットドメインとのドメインギャップを減らし、適用されたUDAアプローチにより、さらにギャップを埋める。
  論文  参考訳（メタデータ） (2022-04-25T18:01:05Z)
• Target and Task specific Source-Free Domain Adaptive Image Segmentation [73.78898054277538]
  ソースフリー領域適応画像分割のための2段階のアプローチを提案する。 我々は,高エントロピー領域を抑えつつ,ターゲット固有の擬似ラベルを生成することに注力する。 第2段階では、タスク固有の表現にネットワークを適用することに重点を置いている。
  論文  参考訳（メタデータ） (2022-03-29T17:50:22Z)
• Edge-preserving Domain Adaptation for semantic segmentation of Medical Images [0.0]
  ドメイン適応は、目に見えない環境で大量のラベル付きデータの不足に対処する技術である。 本稿では,元の画像のエッジの詳細を維持しつつ,サイクル一貫性損失を用いてドメイン間を適応するモデルを提案する。 2つの眼底血管セグメンテーションデータセットの他のアプローチと比較することにより,本アルゴリズムの有効性を実証する。
  論文  参考訳（メタデータ） (2021-11-18T18:14:33Z)
• Stagewise Unsupervised Domain Adaptation with Adversarial Self-Training for Road Segmentation of Remote Sensing Images [93.50240389540252]
  リモートセンシング画像からの道路セグメンテーションは、幅広い応用可能性を持つ課題である。 本稿では,この領域における領域シフト(DS)問題に対処するため,RoadDAと呼ばれる新たな段階的ドメイン適応モデルを提案する。 2つのベンチマーク実験の結果、RoadDAはドメインギャップを効率的に減らし、最先端の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） (2021-08-28T09:29:14Z)
• Pre-Trained Models for Heterogeneous Information Networks [57.78194356302626]
  異種情報ネットワークの特徴を捉えるための自己教師付き事前学習・微調整フレームワークPF-HINを提案する。 PF-HINは4つのデータセットにおいて、各タスクにおける最先端の代替よりも一貫して、大幅に優れています。
  論文  参考訳（メタデータ） (2020-07-07T03:36:28Z)
• Self domain adapted network [6.040230864736051]
  ドメインシフトは、臨床実践においてディープネットワークをデプロイする上で大きな問題である。 単体テスト対象に迅速に適応できる新しい自己ドメイン適応ネットワーク(SDA-Net)を提案する。
  論文  参考訳（メタデータ） (2020-07-07T01:41:34Z)
• Domain Adaptive Transfer Attack (DATA)-based Segmentation Networks for Building Extraction from Aerial Images [3.786567767772753]
  本稿では,航空画像から抽出するドメイン適応トランスファー攻撃方式に基づくセグメンテーションネットワークを提案する。 提案システムは,ドメイン転送と敵攻撃の概念を組み合わせたシステムである。 3つの異なるデータセットに対して、データセット間の実験とアブレーション実験を行った。
  論文  参考訳（メタデータ） (2020-04-11T06:17:13Z)
• Supervised Domain Adaptation using Graph Embedding [86.3361797111839]
  領域適応法は、2つの領域間の分布がシフトし、それを認識しようとすると仮定する。 グラフ埋め込みに基づく汎用フレームワークを提案する。 提案手法が強力なドメイン適応フレームワークにつながることを示す。
  論文  参考訳（メタデータ） (2020-03-09T12:25:13Z)

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。