論文の概要: A Survey: Deep Learning for Hyperspectral Image Classification with Few Labeled Samples

• arxiv url: http://arxiv.org/abs/2112.01800v1
• Date: Fri, 3 Dec 2021 09:16:05 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-06 21:36:41.021533
• Title: A Survey: Deep Learning for Hyperspectral Image Classification with Few Labeled Samples
• Title（参考訳）: ラベル付きサンプルの少ないハイパースペクトル画像分類のためのディープラーニング
• Authors: Sen Jia, Shuguo Jiang, Zhijie Lin, Nanying Li, Meng Xu, Shiqi Yu
• Abstract要約: ディープラーニングは、ハイパースペクトル画像(HSI)分類の分野で広く利用されている。 ディープラーニングモデルは、しばしば多くのトレーニング可能なパラメータを含み、最適なパフォーマンスを達成するために大量のラベル付きサンプルを必要とする。 HSI分類では,手動ラベリングの難易度と時間的特性から,多くのラベル付きサンプルの取得が困難である。
• 参考スコア（独自算出の注目度）: 20.387084755676533
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With the rapid development of deep learning technology and improvement in computing capability, deep learning has been widely used in the field of hyperspectral image (HSI) classification. In general, deep learning models often contain many trainable parameters and require a massive number of labeled samples to achieve optimal performance. However, in regard to HSI classification, a large number of labeled samples is generally difficult to acquire due to the difficulty and time-consuming nature of manual labeling. Therefore, many research works focus on building a deep learning model for HSI classification with few labeled samples. In this article, we concentrate on this topic and provide a systematic review of the relevant literature. Specifically, the contributions of this paper are twofold. First, the research progress of related methods is categorized according to the learning paradigm, including transfer learning, active learning and few-shot learning. Second, a number of experiments with various state-of-the-art approaches has been carried out, and the results are summarized to reveal the potential research directions. More importantly, it is notable that although there is a vast gap between deep learning models (that usually need sufficient labeled samples) and the HSI scenario with few labeled samples, the issues of small-sample sets can be well characterized by fusion of deep learning methods and related techniques, such as transfer learning and a lightweight model. For reproducibility, the source codes of the methods assessed in the paper can be found at https://github.com/ShuGuoJ/HSI-Classification.git.
• Abstract（参考訳）: ディープラーニング技術の急速な発展と計算能力の向上により、ディープラーニングはハイパースペクトル画像(HSI)分類の分野で広く利用されている。 一般に、ディープラーニングモデルにはトレーニング可能なパラメータが多数含まれており、最適なパフォーマンスを達成するには大量のラベル付きサンプルが必要である。 しかし,HSI分類では,手動ラベリングの難易度や時間的特性から,多くのラベル付きサンプルの取得が困難である。 したがって,HSI分類のための深層学習モデルの構築に焦点をあてる研究は少ない。 本稿では,本トピックに集中して,関連する文献の体系的なレビューを行う。 具体的には,本稿の貢献は2つある。 まず,関連する手法の研究の進展を,転校学習,アクティブラーニング,マイトショットラーニングなど,学習パラダイムによって分類する。 第2に,様々な最先端手法を用いた実験を数多く実施し,その結果をまとめ,今後の研究課題を明らかにする。 さらに重要なのは、(通常は十分なラベル付きサンプルを必要とする)ディープラーニングモデルと、ラベル付きサンプルが少ないhsiシナリオの間には大きなギャップがあるが、小さなサンプルセットの問題は、ディープラーニングの手法と、転送学習や軽量モデルといった関連するテクニックの融合によって特徴づけられることだ。 再現性のため、論文で評価されたメソッドのソースコードはhttps://github.com/shuguoj/hsi-classification.gitにある。

関連論文リスト

• Preview-based Category Contrastive Learning for Knowledge Distillation [53.551002781828146]
  知識蒸留(PCKD)のための新しい予見型カテゴリーコントラスト学習法を提案する。 まず、インスタンスレベルの特徴対応と、インスタンスの特徴とカテゴリ中心の関係の両方の構造的知識を蒸留する。 カテゴリ表現を明示的に最適化し、インスタンスとカテゴリの表現を明確に関連付けることができる。
  論文  参考訳（メタデータ） (2024-10-18T03:31:00Z)
• Intra-class Adaptive Augmentation with Neighbor Correction for Deep Metric Learning [99.14132861655223]
  深層学習のためのクラス内適応拡張(IAA)フレームワークを提案する。 クラスごとのクラス内変動を合理的に推定し, 適応型合成試料を生成し, 硬質試料の採掘を支援する。 本手法は,検索性能の最先端手法を3%～6%向上させる。
  論文  参考訳（メタデータ） (2022-11-29T14:52:38Z)
• Entity Matching by Pool-based Active Learning [2.690502103971799]
  本稿では,エンティティマッチングタスクのためのアクティブラーニング手法ALMatcherを提案する。 この方法は、少数の貴重なサンプルのみを手動でラベル付けし、これらのサンプルを使用して高品質なモデルを構築する必要がある。 提案手法は,異なるフィールドの7つのデータセットに対して検証された。
  論文  参考訳（メタデータ） (2022-11-01T07:31:43Z)
• What Makes Good Contrastive Learning on Small-Scale Wearable-based Tasks? [59.51457877578138]
  本研究では,ウェアラブル型行動認識タスクにおけるコントラスト学習について検討する。 本稿では,PyTorchライブラリのtextttCL-HAR について述べる。
  論文  参考訳（メタデータ） (2022-02-12T06:10:15Z)
• ECKPN: Explicit Class Knowledge Propagation Network for Transductive Few-shot Learning [53.09923823663554]
  クラスレベルの知識は、ほんの一握りのサンプルから人間が容易に学習することができる。 本稿では,この問題に対処する明示的クラス知識伝達ネットワーク(ECKPN)を提案する。 筆者らは,4つの数ショット分類ベンチマークについて広範な実験を行い,提案したECKPNが最先端の手法よりも優れていることを示す実験結果を得た。
  論文  参考訳（メタデータ） (2021-06-16T02:29:43Z)
• Towards Cross-Granularity Few-Shot Learning: Coarse-to-Fine Pseudo-Labeling with Visual-Semantic Meta-Embedding [13.063136901934865]
  少ないショットラーニングは、テスト時に少数のサンプルしか持たない、新しいカテゴリに迅速に適応することを目的としている。 本稿では,より困難なシナリオ,すなわちクロスグラニュラリティ・グラニュラリティ・グラニュラティヴ・グラニュラティヴ・グラニュラティヴ・グラニュラティヴ・グラニュラティヴ・グラニュラティヴ・グラニュラティヴ・グラニュラティヴ・グラニュラティヴ・グラニュラティヴ・グラニュラティヴ・グラニュラティヴ・グラニュラティヴ・グラニュラティヴ・グラニュラティヴ・グラニュラティヴ・グラニュラティヴ・グラニュラ 画像埋め込みの類似性に応じて,各粗いクラスを擬似微細クラスにグリーディクラスタリングすることで,詳細なデータ分布を近似する。
  論文  参考訳（メタデータ） (2020-07-11T03:44:21Z)
• Text Recognition in Real Scenarios with a Few Labeled Samples [55.07859517380136]
  Scene Text Recognition (STR) はコンピュータビジョン分野におけるホットな研究テーマである。 本稿では,数ショットの逆数列領域適応 (FASDA) を用いて構築シーケンスを適応する手法を提案する。 我々のアプローチは、ソースドメインとターゲットドメインの間の文字レベルの混乱を最大化することができる。
  論文  参考訳（メタデータ） (2020-06-22T13:03:01Z)
• UniT: Unified Knowledge Transfer for Any-shot Object Detection and Segmentation [52.487469544343305]
  オブジェクト検出とセグメンテーションの方法は、トレーニングのための大規模インスタンスレベルのアノテーションに依存します。 本稿では,直感的かつ統一的な半教師付きモデルを提案する。
  論文  参考訳（メタデータ） (2020-06-12T22:45:47Z)
• How useful is Active Learning for Image-based Plant Phenotyping? [7.056477977834818]
  本研究では,ディープラーニングモデルに必要なラベル付け量を削減し,予測性能を向上する能動的学習アルゴリズムを提案する。 アクティブラーニング手法は, 取得関数を用いてアノテートするサンプルを適応的に選択し, 固定ラベル付予算下での最大(分類)性能を実現する。 固定ラベル付け予算では、アクティブな学習ベースの獲得戦略を持つディープラーニングモデルの分類性能が、両方のデータセットに対するランダムサンプリングベースの獲得よりも優れていることが観察された。
  論文  参考訳（メタデータ） (2020-06-07T20:32:42Z)

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。