論文の概要: Semi-Supervised Contrastive Learning for Remote Sensing: Identifying
Ancient Urbanization in the South Central Andes
- arxiv url: http://arxiv.org/abs/2112.06437v1
- Date: Mon, 13 Dec 2021 06:26:47 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-14 15:53:12.067433
- Title: Semi-Supervised Contrastive Learning for Remote Sensing: Identifying
Ancient Urbanization in the South Central Andes
- Title（参考訳）: リモートセンシングのための半教師付きコントラスト学習--アンデス南部における古代都市化の同定
- Authors: Jiachen Xu, James Zimmer-Dauphinee, Quan Liu, Yuxuan Shi, Steven
Wernke, Yuankai Huo
- Abstract要約: 本研究では、95,358枚の未ラベル画像と5,830枚のラベル画像を用いて、長い尾を持つ衛星画像データセットから古代の建物を検出する問題を解決する。
我々の半教師付きコントラスト学習モデルは79.0%の精度で有望なテストを行い、最先端のアプローチよりも3.8%改善した。
- 参考スコア（独自算出の注目度）: 8.400574449650957
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The detection of ancient settlements is a key focus in landscape archaeology.
Traditionally, settlements were identified through pedestrian survey, as
researchers physically traversed the landscape and recorded settlement
locations. Recently the manual identification and labeling of ancient remains
in satellite imagery have increased the scale of archaeological data
collection, but the process remains tremendously time-consuming and arduous.
The development of self-supervised learning (e.g., contrastive learning) offers
a scalable learning scheme in locating archaeological sites using unlabeled
satellite and historical aerial images. However, archaeology sites are only
present in a very small proportion of the whole landscape, while the modern
contrastive-supervised learning approach typically yield inferior performance
on the highly balanced dataset, such as identifying sparsely localized ancient
urbanization on a large area using satellite images. In this work, we propose a
framework to solve this long-tail problem. As opposed to the existing
contrastive learning approaches that typically treat the labeled and unlabeled
data separately, the proposed method reforms the learning paradigm under a
semi-supervised setting to fully utilize the precious annotated data (<7% in
our setting). Specifically, the highly unbalanced nature of the data is
employed as the prior knowledge to form pseudo negative pairs by ranking the
similarities between unannotated image patches and annotated anchor images. In
this study, we used 95,358 unlabeled images and 5,830 labeled images to solve
the problem of detecting ancient buildings from a long-tailed satellite image
dataset. From the results, our semi-supervised contrastive learning model
achieved a promising testing balanced accuracy of 79.0%, which is 3.8%
improvement over state-of-the-art approaches.
- Abstract（参考訳）: 古代の集落の発見は、景観考古学の重要な焦点である。
伝統的に、居住地は歩行者調査によって特定され、研究者は地形を物理的に横断し、居住地を記録した。
近年、衛星画像中の遺跡の手動識別とラベル付けが考古学的データ収集の規模を増大させているが、その過程は極めて時間がかかり、困難である。
自己教師あり学習(例:コントラスト学習)の開発は、ラベルなしの衛星画像と歴史的な航空画像を用いて考古学的遺跡を見つけるためのスケーラブルな学習手法を提供する。
しかし、考古学的遺跡は地形全体のごく一部にしか存在せず、現代のコントラスト的な学習手法は、衛星画像を用いて比較的局所的な古代の都市化を特定するなど、高度にバランスの取れたデータセットでは劣っている。
本稿では,このロングテール問題を解決するためのフレームワークを提案する。
ラベル付きデータとラベル付きデータとを別々に扱う既存のコントラスト型学習アプローチとは対照的に,提案手法では,半教師付きで学習パラダイムを改革し,貴重な注釈付きデータを完全に活用する(<7%)。
具体的には、注釈付画像パッチと注釈付アンカー画像との類似性をランク付けして擬似負対を形成するための事前知識として、データの高度に不均衡な性質を用いる。
本研究では,95,358枚のラベル付き画像と5,830枚のラベル付き画像を用いて,衛星画像から古い建物を検知する問題を解決した。
その結果, 半教師付きコントラスト学習モデルでは, 精度79.0%の有望なテストが達成され, 最先端のアプローチよりも3.8%向上した。
関連論文リスト
- Local Manifold Learning for No-Reference Image Quality Assessment [68.9577503732292]
No-Reference Image Quality Assessment(NR-IQA)のための、局所多様体学習とコントラスト学習を統合した革新的なフレームワークを提案する。
提案手法は,7つの標準データセットの最先端手法よりも優れた性能を示す。
論文 参考訳（メタデータ） (2024-06-27T15:14:23Z) - 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) - Mitigating Urban-Rural Disparities in Contrastive Representation Learning with Satellite Imagery [19.93324644519412]
土地被覆の特徴の特定における都市と農村の格差のリスクを考察する。
本稿では,畳み込みニューラルネットワークモデルの多レベル潜在空間を非バイアス化する手法として,コントラッシブラーニングを用いた高密度表現(FairDCL)を提案する。
得られた画像表現は、下流の都市と農村の予測格差を軽減し、現実の衛星画像の最先端のベースラインを上回ります。
論文 参考訳（メタデータ） (2022-11-16T04:59:46Z) - Semi-supervised Deep Learning for Image Classification with Distribution
Mismatch: A Survey [1.5469452301122175]
ディープラーニングモデルは、予測モデルをトレーニングするためにラベル付き観測の豊富な部分に依存します。
ラベル付きデータ観測を収集することは高価であり、ディープラーニングモデルの使用は理想的ではない。
多くの状況では、異なる非競合データソースが利用可能である。
これにより、ラベル付きデータセットと非ラベル付きデータセットの間にかなりの分散ミスマッチが発生するリスクが生じる。
論文 参考訳（メタデータ） (2022-03-01T02:46:00Z) - Region-level Active Learning for Cluttered Scenes [60.93811392293329]
本稿では,従来の画像レベルのアプローチとオブジェクトレベルのアプローチを一般化した領域レベルのアプローチに仮定する新たな戦略を提案する。
その結果,本手法はラベル付けの労力を大幅に削減し,クラス不均衡や散らかったシーンを生かしたリアルなデータに対する希少なオブジェクト検索を改善することが示唆された。
論文 参考訳（メタデータ） (2021-08-20T14:02:38Z) - CutPaste: Self-Supervised Learning for Anomaly Detection and
Localization [59.719925639875036]
通常のトレーニングデータのみを用いて異常検知器を構築するためのフレームワークを提案する。
まず、自己教師付き深層表現を学習し、学習した表現の上に生成的1クラス分類器を構築する。
MVTec異常検出データセットに関する実証研究は,提案アルゴリズムが実世界の様々な欠陥を検出可能であることを実証している。
論文 参考訳（メタデータ） (2021-04-08T19:04:55Z) - An Efficient Method for the Classification of Croplands in Scarce-Label
Regions [0.0]
衛星時系列画像による農地分類の主な課題は、地表面データ不足と、未開発地域における高品質のハイパースペクトル画像の到達不能である。
ラベルなしの中解像度衛星画像は豊富だが、その恩恵を受けるにはオープンな問題だ。
自監督タスクを用いた作物分類におけるその可能性の活用方法を示す。
論文 参考訳（メタデータ） (2021-03-17T12:10:11Z) - Unifying Remote Sensing Image Retrieval and Classification with Robust
Fine-tuning [3.6526118822907594]
新しい大規模トレーニングおよびテストデータセットであるSF300で、リモートセンシングイメージの検索と分類を統一することを目指しています。
本研究では,ImageNetの事前学習ベースラインと比較して,9つのデータセットの検索性能と分類性能を体系的に向上させることを示す。
論文 参考訳（メタデータ） (2021-02-26T11:01:30Z) - Geography-Aware Self-Supervised Learning [79.4009241781968]
異なる特徴により、標準ベンチマークにおけるコントラスト学習と教師あり学習の間には、非自明なギャップが持続していることが示される。
本稿では,リモートセンシングデータの空間的整合性を利用した新しいトレーニング手法を提案する。
提案手法は,画像分類,オブジェクト検出,セマンティックセグメンテーションにおけるコントラスト学習と教師あり学習のギャップを埋めるものである。
論文 参考訳（メタデータ） (2020-11-19T17:29:13Z) - Stereopagnosia: Fooling Stereo Networks with Adversarial Perturbations [71.00754846434744]
知覚不能な加法的摂動は,差分マップを著しく変更できることを示す。
敵データ拡張に使用すると、我々の摂動はより堅牢なトレーニングされたモデルをもたらすことを示す。
論文 参考訳（メタデータ） (2020-09-21T19:20:09Z)
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。