論文の概要: Learning class prototypes from Synthetic InSAR with Vision Transformers
- arxiv url: http://arxiv.org/abs/2201.03016v1
- Date: Sun, 9 Jan 2022 14:03:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-11 17:40:14.301924
- Title: Learning class prototypes from Synthetic InSAR with Vision Transformers
- Title（参考訳）: 視覚変換器を用いた合成InSARの授業試作
- Authors: Nikolaos Ioannis Bountos, Dimitrios Michail, Ioannis Papoutsis
- Abstract要約: 火山活動の早期の兆候の検出は、火山の危険を評価するために重要である。
本稿では,合成干渉図の豊富な情報源を利用した新しい深層学習手法を提案する。
本報告では, 火山変動検出技術に勝る検出精度について報告する。
- 参考スコア（独自算出の注目度）: 2.41710192205034
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The detection of early signs of volcanic unrest preceding an eruption, in the
form of ground deformation in Interferometric Synthetic Aperture Radar (InSAR)
data is critical for assessing volcanic hazard. In this work we treat this as a
binary classification problem of InSAR images, and propose a novel deep
learning methodology that exploits a rich source of synthetically generated
interferograms to train quality classifiers that perform equally well in real
interferograms. The imbalanced nature of the problem, with orders of magnitude
fewer positive samples, coupled with the lack of a curated database with
labeled InSAR data, sets a challenging task for conventional deep learning
architectures. We propose a new framework for domain adaptation, in which we
learn class prototypes from synthetic data with vision transformers. We report
detection accuracy that surpasses the state of the art on volcanic unrest
detection. Moreover, we built upon this knowledge by learning a new,
non-linear, projection between the learnt representations and prototype space,
using pseudo labels produced by our model from an unlabeled real InSAR dataset.
This leads to the new state of the art with $97.1%$ accuracy on our test set.
We demonstrate the robustness of our approach by training a simple ResNet-18
Convolutional Neural Network on the unlabeled real InSAR dataset with
pseudo-labels generated from our top transformer-prototype model. Our
methodology provides a significant improvement in performance without the need
of manually labeling any sample, opening the road for further exploitation of
synthetic InSAR data in various remote sensing applications.
- Abstract（参考訳）: InSAR(Interferometric Synthetic Aperture Radar)データによる噴火前の火山活動の早期の兆候の検出は,火山の危険性を評価する上で重要である。
本研究では,これをinsar画像の2次分類問題として扱うとともに,合成生成インターフェログラムの豊富な情報源を利用して,実際のインターフェログラムで等しく機能する品質分類器を訓練する新しい深層学習手法を提案する。
問題の非バランス性は、桁違いに少ない正のサンプルと、ラベル付きInSARデータによるキュレートされたデータベースの欠如と相まって、従来のディープラーニングアーキテクチャにとって難しい課題となっている。
本稿では,視覚トランスフォーマーを用いた合成データからクラスプロトタイプを学習する,ドメイン適応のための新しいフレームワークを提案する。
本報告では, 火山変動検出技術に勝る検出精度について報告する。
さらに、この知識に基づいて学習した表現とプロトタイプ空間の間の新しい非線形投影を学習し、ラベルのない実InSARデータセットからモデルが生成した擬似ラベルを用いて構築した。
これにより、テストセットに97.1%の精度で新しい最先端技術がもたらされます。
本手法のロバスト性は,上層トランスフォーマ-プロトタイプモデルから生成された擬似ラベルを用いた,ラベル付き実insarデータセット上で,単純なresnet-18畳み込みニューラルネットワークをトレーニングすることで実証する。
提案手法は,サンプルを手作業でラベル付けする必要なしに性能を大幅に向上させ,各種リモートセンシングアプリケーションにおける合成insarデータのさらなる活用に向けた道を開く。
関連論文リスト
- Understanding and Improving Training-Free AI-Generated Image Detections with Vision Foundation Models [68.90917438865078]
顔合成と編集のためのディープフェイク技術は、生成モデルに重大なリスクをもたらす。
本稿では,モデルバックボーン,タイプ,データセット間で検出性能がどう変化するかを検討する。
本稿では、顔画像のパフォーマンスを向上させるContrastive Blurと、ノイズタイプのバイアスに対処し、ドメイン間のパフォーマンスのバランスをとるMINDERを紹介する。
論文 参考訳（メタデータ） (2024-11-28T13:04:45Z) - IncSAR: A Dual Fusion Incremental Learning Framework for SAR Target Recognition [13.783950035836593]
IncSARは、ターゲット認識における破滅的な忘れに対処するために設計された漸進的な学習フレームワークである。
SAR画像に固有のスペックルノイズを軽減するため、ニューラルネットワーク近似に基づくデノナイジングモジュールを用いる。
MSTAR、SAR-AIRcraft-1.0、OpenSARShipベンチマークデータセットの実験は、IncSARが最先端のアプローチを大幅に上回っていることを示している。
論文 参考訳（メタデータ） (2024-10-08T08:49:47Z) - InfRS: Incremental Few-Shot Object Detection in Remote Sensing Images [11.916941756499435]
本稿では,リモートセンシング画像におけるインクリメンタルな数ショット物体検出の複雑な課題について検討する。
本稿では,新しい授業の漸進的な学習を促進するために,InfRSと呼ばれる先駆的な微調整技術を導入する。
我々はワッサーシュタイン距離に基づく原型校正戦略を開発し、破滅的な忘れ問題を軽減する。
論文 参考訳（メタデータ） (2024-05-18T13:39:50Z) - SIRST-5K: Exploring Massive Negatives Synthesis with Self-supervised
Learning for Robust Infrared Small Target Detection [53.19618419772467]
単一フレーム赤外線小ターゲット検出(SIRST)は、乱雑な背景から小さなターゲットを認識することを目的としている。
Transformerの開発に伴い、SIRSTモデルのスケールは常に増大している。
赤外線小ターゲットデータの多彩な多様性により,本アルゴリズムはモデル性能と収束速度を大幅に改善する。
論文 参考訳（メタデータ） (2024-03-08T16:14:54Z) - GenFace: A Large-Scale Fine-Grained Face Forgery Benchmark and Cross Appearance-Edge Learning [50.7702397913573]
フォトリアリスティック・ジェネレータの急速な進歩は、真の画像と操作された画像の相違がますます不明瞭になっている臨界点に達している。
公開されている顔の偽造データセットはいくつかあるが、偽造顔は主にGANベースの合成技術を用いて生成される。
我々は,大規模で多様できめ細かな高忠実度データセットであるGenFaceを提案し,ディープフェイク検出の進展を促進する。
論文 参考訳（メタデータ） (2024-02-03T03:13:50Z) - FaultSeg Swin-UNETR: Transformer-Based Self-Supervised Pretraining Model
for Fault Recognition [13.339333273943842]
本稿では,自己教師付き事前学習による地震断層認識の高度化手法を提案する。
我々は,Swin Transformerモデルをコアネットワークとして採用し,SimMIMプレトレーニングタスクを用いて,地震データにおける不連続性に関連する特徴を抽出した。
実験の結果,提案手法は,OISおよびODS測定値から,Thebeデータセット上での最先端性能を実現することができた。
論文 参考訳（メタデータ） (2023-10-27T08:38:59Z) - UAV-Sim: NeRF-based Synthetic Data Generation for UAV-based Perception [62.71374902455154]
ニューラルレンダリングの最近の進歩を利用して、静的および動的ノベルビューUAVベースの画像レンダリングを改善する。
本研究では,主に実データと合成データのハイブリッドセットに基づいて最先端検出モデルが最適化された場合,性能が大幅に向上することを示す。
論文 参考訳（メタデータ） (2023-10-25T00:20:37Z) - A New Benchmark: On the Utility of Synthetic Data with Blender for Bare
Supervised Learning and Downstream Domain Adaptation [42.2398858786125]
コンピュータビジョンにおけるディープラーニングは、大規模ラベル付きトレーニングデータの価格で大きな成功を収めた。
制御不能なデータ収集プロセスは、望ましくない重複が存在する可能性のある非IIDトレーニングおよびテストデータを生成する。
これを回避するために、ドメインランダム化による3Dレンダリングによる合成データを生成する方法がある。
論文 参考訳（メタデータ） (2023-03-16T09:03:52Z) - Unsupervised Domain Adaptive Salient Object Detection Through
Uncertainty-Aware Pseudo-Label Learning [104.00026716576546]
そこで本研究では,手動のアノテーションを使わずに,自然に高いピクセルラベル品質を有する合成・クリーンなラベルから,サリエンスを学習することを提案する。
提案手法は,複数のベンチマークデータセット上で,既存の最先端の深層教師なしSOD法よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-02-26T16:03:55Z) - Self-supervised Contrastive Learning for Volcanic Unrest Detection [4.152165675786138]
InSAR(Interferometric Synthetic Aperture Radar)データから測定した地盤変形は,火山活動の兆候と考えられる。
近年の研究では, 火山の変形信号の検出にSentinel-1 InSARデータと教師付き深層学習(DL)手法を用いることの可能性が示されている。
本稿では,ラベルのないInSARデータに隠された高品質な視覚表現を学習するために,自己教師付きコントラスト学習を用いることを提案する。
論文 参考訳（メタデータ） (2022-02-08T17:54:51Z) - Robust lEarned Shrinkage-Thresholding (REST): Robust unrolling for
sparse recover [87.28082715343896]
我々は、モデルミス特定を前進させるのに堅牢な逆問題を解決するためのディープニューラルネットワークについて検討する。
我々は,アルゴリズムの展開手法を根底にある回復問題のロバストバージョンに適用することにより,新しい堅牢なディープニューラルネットワークアーキテクチャを設計する。
提案したRESTネットワークは,圧縮センシングとレーダイメージングの両問題において,最先端のモデルベースおよびデータ駆動アルゴリズムを上回る性能を示す。
論文 参考訳（メタデータ） (2021-10-20T06:15:45Z)
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。