論文の概要: ChessMix: Spatial Context Data Augmentation for Remote Sensing Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2108.11535v1
• Date: Thu, 26 Aug 2021 01:01:43 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-28 01:53:50.224737
• Title: ChessMix: Spatial Context Data Augmentation for Remote Sensing Semantic Segmentation
• Title（参考訳）: chessmix: リモートセンシング意味セグメンテーションのための空間コンテキストデータ拡張
• Authors: Matheus Barros Pereira, Jefersson Alex dos Santos
• Abstract要約: ChessMixは、データセットに変換されたミニパッチをチェスボードのようなグリッドに混ぜることで、新しい合成画像を生成する。 3つのよく知られたリモートセンシングデータセットの結果から、ChessMixは少ないラベル付きピクセルでオブジェクトのセグメンテーションを改善することができることが示された。
• 参考スコア（独自算出の注目度）: 1.0152838128195467
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Labeling semantic segmentation datasets is a costly and laborious process if compared with tasks like image classification and object detection. This is especially true for remote sensing applications that not only work with extremely high spatial resolution data but also commonly require the knowledge of experts of the area to perform the manual labeling. Data augmentation techniques help to improve deep learning models under the circumstance of few and imbalanced labeled samples. In this work, we propose a novel data augmentation method focused on exploring the spatial context of remote sensing semantic segmentation. This method, ChessMix, creates new synthetic images from the existing training set by mixing transformed mini-patches across the dataset in a chessboard-like grid. ChessMix prioritizes patches with more examples of the rarest classes to alleviate the imbalance problems. The results in three diverse well-known remote sensing datasets show that this is a promising approach that helps to improve the networks' performance, working especially well in datasets with few available data. The results also show that ChessMix is capable of improving the segmentation of objects with few labeled pixels when compared to the most common data augmentation methods widely used.
• Abstract（参考訳）: セマンティックセグメンテーションデータセットのラベル付けは、画像分類やオブジェクト検出といったタスクと比較した場合、費用がかかる。 これは、非常に高い空間分解能データを扱うだけでなく、手動ラベリングを行うためにこの分野の専門家の知識を必要とするリモートセンシングアプリケーションに特に当てはまる。 データ拡張技術は、ラベル付きサンプルの数が少なく不均衡な状況下でのディープラーニングモデルの改善に役立つ。 本研究では,リモートセンシング意味セグメンテーションの空間的文脈を探索する新しいデータ拡張手法を提案する。 この方法であるチェスミックスは、変換されたミニパッチをチェスボードのようなグリッドに混ぜることで、既存のトレーニングセットから新しい合成画像を生成する。 ChessMixは、不均衡の問題を軽減するために、最も稀なクラスの多くの例でパッチを優先順位付けする。 さまざまなよく知られた3つのリモートセンシングデータセットの結果、これはネットワークのパフォーマンス向上に役立つ有望なアプローチであり、特に利用可能なデータが少ないデータセットでうまく機能することを示している。 また、チェスミックスはラベル付き画素の少ないオブジェクトのセグメンテーションを、最も一般的なデータ拡張法と比較して改善できることを示した。

関連論文リスト

• SatSynth: Augmenting Image-Mask Pairs through Diffusion Models for Aerial Semantic Segmentation [69.42764583465508]
  我々は,地球観測における注釈付きデータの不足に対処するために,生成的画像拡散の可能性を探る。 我々の知る限りでは、衛星セグメンテーションのための画像と対応するマスクの両方を最初に生成する。
  論文  参考訳（メタデータ） (2024-03-25T10:30:22Z)
• Knowledge Combination to Learn Rotated Detection Without Rotated Annotation [53.439096583978504]
  回転バウンディングボックスは、伸長したオブジェクトの出力あいまいさを劇的に減少させる。 この効果にもかかわらず、回転検出器は広く使われていない。 本稿では,モデルが正確な回転ボックスを予測できるフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-04-05T03:07:36Z)
• MaskCon: Masked Contrastive Learning for Coarse-Labelled Dataset [19.45520684918576]
  我々は、@textbfMask$ed $textbfCon$trastive Learning($textbfMaskCon$)と呼ばれる対照的な学習方法を提案する。 各サンプルに対して,本手法は,他のサンプルに対して粗いラベルを付与して軟質ラベルを生成する。 提案手法は, 各種データセットにおける現状よりも大幅に改善されている。
  論文  参考訳（メタデータ） (2023-03-22T17:08:31Z)
• Change Detection from Synthetic Aperture Radar Images via Graph-Based Knowledge Supplement Network [36.41983596642354]
  画像変化検出のためのグラフベースの知識補足ネットワーク(GKSNet)を提案する。 より具体的には、既存のラベル付きデータセットから識別情報を付加的な知識として抽出する。 提案手法を検証するために,4つのSARデータセットについて広範な実験を行った。
  論文  参考訳（メタデータ） (2022-01-22T02:50:50Z)
• Weakly Supervised Change Detection Using Guided Anisotropic Difusion [97.43170678509478]
  我々は、このようなデータセットを変更検出の文脈で活用するのに役立つ独自のアイデアを提案する。 まず,意味的セグメンテーション結果を改善する誘導異方性拡散(GAD)アルゴリズムを提案する。 次に、変化検出に適した2つの弱い教師付き学習戦略の可能性を示す。
  論文  参考訳（メタデータ） (2021-12-31T10:03:47Z)
• GuidedMix-Net: Learning to Improve Pseudo Masks Using Labeled Images as Reference [153.354332374204]
  半教師付きセマンティックセマンティックセグメンテーションのための新しい手法である GuidedMix-Net を提案する。 まず、ラベル付きデータとラベルなしデータの間に特徴アライメントの目的を導入し、類似した画像対をキャプチャする。 MITransは、ラベルなしデータのさらなるプログレッシブな精細化のための強力な知識モジュールであることが示されている。 ラベル付きデータに対する教師付き学習とともに、ラベル付きデータの予測が生成した擬似マスクとともに学習される。
  論文  参考訳（メタデータ） (2021-06-29T02:48:45Z)
• Multi-dataset Pretraining: A Unified Model for Semantic Segmentation [97.61605021985062]
  我々は、異なるデータセットの断片化アノテーションを最大限に活用するために、マルチデータセット事前訓練と呼ばれる統合フレームワークを提案する。 これは、複数のデータセットに対して提案されたピクセルからプロトタイプへのコントラスト損失を通じてネットワークを事前トレーニングすることで実現される。 異なるデータセットからの画像とクラス間の関係をより良くモデル化するために、クロスデータセットの混合によりピクセルレベルの埋め込みを拡張する。
  論文  参考訳（メタデータ） (2021-06-08T06:13:11Z)
• On Training Sketch Recognizers for New Domains [3.8149289266694466]
  データ収集プロトコルの生態学的妥当性と小さなデータセットに対応する能力は、現実的なシナリオにおける認識者の精度に影響を与える重要な要因であることを示す。 データが乏しく高価である現実的なシナリオでは、ディープラーニングを小さなデータセットに適応させるための標準的措置が、代替手段と好意的に比較できないことを実証する。
  論文  参考訳（メタデータ） (2021-04-18T13:24:49Z)
• Mask-based Data Augmentation for Semi-supervised Semantic Segmentation [3.946367634483361]
  そこで我々は,CutMix と ClassMix の側面を組み込んだデータ拡張手法である ComplexMix を提案する。 提案手法は、意味論的に正しいようにしながら、拡張データの複雑さを制御できる。 実験結果から,セマンティック画像分割のための標準データセットにおける最新手法の改良が得られた。
  論文  参考訳（メタデータ） (2021-01-25T15:09:34Z)
• i-Mix: A Domain-Agnostic Strategy for Contrastive Representation Learning [117.63815437385321]
  対照的な表現学習を改善するために, 単純で効果的なドメインに依存しない正規化戦略i-Mixを提案する。 実験では、i-Mixはドメイン間の学習表現の質を一貫して改善することを示した。
  論文  参考訳（メタデータ） (2020-10-17T23:32:26Z)

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。