論文の概要: TimeMatch: Unsupervised Cross-Region Adaptation by Temporal Shift
Estimation
- arxiv url: http://arxiv.org/abs/2111.02682v1
- Date: Thu, 4 Nov 2021 08:32:59 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-05 21:37:49.923233
- Title: TimeMatch: Unsupervised Cross-Region Adaptation by Temporal Shift
Estimation
- Title(参考訳): timematch:時間シフト推定による教師なしクロスリージョン適応
- Authors: Joachim Nyborg, Charlotte Pelletier, S\'ebastien Lef\`evre, Ira Assent
- Abstract要約: TimeMatchは、時間シフトを直接考慮した、SITSのための新しい教師なしドメイン適応手法である。
TimeMatchは5つの異なる適応シナリオでF1スコアで競合するメソッドを11%上回っている。
欧州の4つの異なる地域からのSITSを用いた地域間適応のためのオープンアクセスデータセットを提案する。
- 参考スコア(独自算出の注目度): 5.027714423258537
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The recent developments of deep learning models that capture the complex
temporal patterns of crop phenology have greatly advanced crop classification
of Satellite Image Time Series (SITS). However, when applied to target regions
spatially different from the training region, these models perform poorly
without any target labels due to the temporal shift of crop phenology between
regions. To address this unsupervised cross-region adaptation setting, existing
methods learn domain-invariant features without any target supervision, but not
the temporal shift itself. As a consequence, these techniques provide only
limited benefits for SITS. In this paper, we propose TimeMatch, a new
unsupervised domain adaptation method for SITS that directly accounts for the
temporal shift. TimeMatch consists of two components: 1) temporal shift
estimation, which estimates the temporal shift of the unlabeled target region
with a source-trained model, and 2) TimeMatch learning, which combines temporal
shift estimation with semi-supervised learning to adapt a classifier to an
unlabeled target region. We also introduce an open-access dataset for
cross-region adaptation with SITS from four different regions in Europe. On
this dataset, we demonstrate that TimeMatch outperforms all competing methods
by 11% in F1-score across five different adaptation scenarios, setting a new
state-of-the-art for cross-region adaptation.
- Abstract(参考訳): 近年,作物表現学の複雑な時間パターンを捉えるディープラーニングモデルが開発され,衛星画像時系列(sits)の作物分類が大幅に進歩している。
しかし、トレーニング領域と空間的に異なるターゲット領域に適用した場合、これらのモデルは、作物の表現学の時間的変化により、ターゲットラベルなしではうまく動作しない。
この教師なしのクロスリージョン適応設定に対処するために、既存のメソッドは、時間シフト自体ではなく、ターゲットの監督なしでドメイン不変な特徴を学習する。
その結果、これらの技術はSITSに限られた利益をもたらすだけである。
本稿では、時間シフトを直接考慮したSITSのための新しい教師なしドメイン適応手法であるTimeMatchを提案する。
TimeMatchは2つのコンポーネントから構成される。
1)未ラベル対象領域の時間的シフトをソーストレーニングモデルで推定する時間的シフト推定
2)時間シフト推定と半教師付き学習を組み合わせた時間マッチング学習は,分類器をラベルなしの目標領域に適応させる。
また,欧州の4つの異なる地域を対象とするクロスリージョン適応のためのオープンアクセスデータセットも導入する。
このデータセットにおいて、TimeMatchは5つの異なる適応シナリオに対してF1スコアで競合するすべてのメソッドを11%上回り、クロスリージョン適応のための新しい最先端の設定を行う。
関連論文リスト
- Cross Domain Early Crop Mapping using CropSTGAN [12.271756709807898]
本稿では,Crop Mapping Spectral-temporal Generative Adrial Neural Network (CropSTGAN)を紹介する。
CropSTGANは、ターゲットドメインのスペクトル特徴をソースドメインのスペクトル特徴に変換することを学習し、実質的に大きな相似性をブリッジする。
実験では、CropSTGANは様々な最先端(SOTA)メソッドに対してベンチマークされる。
論文 参考訳(メタデータ) (2024-01-15T00:27:41Z) - Bidirectional Domain Mixup for Domain Adaptive Semantic Segmentation [73.3083304858763]
本稿では,ドメイン適応型セマンティックセグメンテーションタスクにおけるミックスアップの影響を系統的に研究する。
具体的には、ドメインミックスアップをカットとペーストという2ステップで実現します。
フレームワークの主なコンポーネントを実証的に検証するために、広範囲にわたるアブレーション実験を行います。
論文 参考訳(メタデータ) (2023-03-17T05:22:44Z) - IDA: Informed Domain Adaptive Semantic Segmentation [51.12107564372869]
クラスレベルのセグメンテーション性能に基づいてデータを混合する自己学習フレームワークであるDomain Informed Adaptation (IDA) モデルを提案する。
IDAモデルでは、クラスレベルの性能を期待信頼スコア(ECS)によって追跡し、動的スケジュールを用いて異なる領域のデータに対する混合比を決定する。
提案手法は,GTA-Vの都市景観への適応において1.1 mIoU,SynTHIAの都市への適応において0.9 mIoUのマージンで,最先端のUDA-SS法よりも優れる。
論文 参考訳(メタデータ) (2023-03-05T18:16:34Z) - GaitSADA: Self-Aligned Domain Adaptation for mmWave Gait Recognition [14.750765172614836]
mmWaveレーダを用いた歩行認識は,mmWaveレーダの帰還信号から人間の歩行バイオメトリックスを捕捉する新しいユーザ識別法である。
この問題を軽減するために、GaitSADAと呼ばれる新しい自己整合ドメイン適応法を提案する。
実験により、GaitSADAは、低データ状態における平均精度で15.41%から26.32%の改善により、代表的ドメイン適応法よりも優れていることが示された。
論文 参考訳(メタデータ) (2023-01-31T03:21:08Z) - Domain Adaptive Semantic Segmentation with Regional Contrastive
Consistency Regularization [19.279884432843822]
本稿では,領域適応型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局所コントラスト整合正規化(RCCR)と呼ばれる,新しいエンドツーエンドのトレーニング可能なアプローチを提案する。
私たちの中核となる考え方は、異なる画像の同じ位置から抽出された類似の地域的特徴を取り除き、その一方、2つの画像の異なる位置から特徴を分離することです。
論文 参考訳(メタデータ) (2021-10-11T11:45:00Z) - Region Invariant Normalizing Flows for Mobility Transfer [3.776855783688713]
本稿では,連続時間位置予測のためのREFORMDという新しい移動学習フレームワークを提案する。
MTPPおよび時空間流の領域特異的チェインダイナミクスの進化を捉えた。
本モデルでは, 連続時間列のモデル化における最先端手法を著しく上回っている。
論文 参考訳(メタデータ) (2021-09-13T06:54:08Z) - Attention-based Domain Adaptation for Single Stage Detectors [75.88557558238841]
適応が焦点を置くべき重要な領域を特定するための注意機構を導入する。
我々のアプローチは汎用的で、任意の単段検出器に統合できる。
等価な単一ステージアーキテクチャでは、この手法は最先端のドメイン適応技術より優れている。
論文 参考訳(メタデータ) (2021-06-14T10:30:44Z) - Unsupervised Domain Adaptation for Spatio-Temporal Action Localization [69.12982544509427]
S時間動作の局所化はコンピュータビジョンにおいて重要な問題である。
本稿では、エンドツーエンドの教師なしドメイン適応アルゴリズムを提案する。
空間的特徴と時間的特徴を別々にあるいは共同的に適応した場合に,顕著な性能向上が達成できることを示す。
論文 参考訳(メタデータ) (2020-10-19T04:25:10Z) - Collaborative Training between Region Proposal Localization and
Classification for Domain Adaptive Object Detection [121.28769542994664]
オブジェクト検出のためのドメイン適応は、ラベル付きデータセットからラベル付きデータセットへの検出を適応させようとする。
本稿では,地域提案ネットワーク (RPN) と地域提案分類器 (RPC) が,大きなドメインギャップに直面した場合の転送可能性が大きく異なることを初めて明らかにする。
論文 参考訳(メタデータ) (2020-09-17T07:39:52Z) - Adaptive Risk Minimization: Learning to Adapt to Domain Shift [109.87561509436016]
ほとんどの機械学習アルゴリズムの基本的な前提は、トレーニングとテストデータは、同じ基礎となる分布から引き出されることである。
本研究では,学習データをドメインに構造化し,複数のテスト時間シフトが存在する場合の領域一般化の問題点について考察する。
本稿では、適応リスク最小化(ARM)の枠組みを紹介し、モデルがトレーニング領域に適応することを学ぶことで、効果的な適応のために直接最適化される。
論文 参考訳(メタデータ) (2020-07-06T17:59:30Z)
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。