論文の概要: Adaptive DropBlock Enhanced Generative Adversarial Networks for Hyperspectral Image Classification

• arxiv url: http://arxiv.org/abs/2201.08938v1
• Date: Sat, 22 Jan 2022 01:43:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-29 08:22:47.447472
• Title: Adaptive DropBlock Enhanced Generative Adversarial Networks for Hyperspectral Image Classification
• Title（参考訳）: ハイパースペクトル画像分類のための適応型DropBlock拡張生成ネットワーク
• Authors: Junjie Wang, Feng Gao, Junyu Dong, Qian Du
• Abstract要約: 本稿では,高スペクトル画像(HSI)分類のためのAdaptive DropBlock-enhanced Generative Adversarial Networks (ADGAN)を提案する。 GANの差別者は、常に矛盾し、偽のラベルをマイノリティ階級のサンプルに関連付けようとするため、分類性能を損なう。 3つのHSIデータセットによる実験結果から,ADGANは最先端のGAN法よりも優れた性能を示した。
• 参考スコア（独自算出の注目度）: 36.679303770326264
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In recent years, hyperspectral image (HSI) classification based on generative adversarial networks (GAN) has achieved great progress. GAN-based classification methods can mitigate the limited training sample dilemma to some extent. However, several studies have pointed out that existing GAN-based HSI classification methods are heavily affected by the imbalanced training data problem. The discriminator in GAN always contradicts itself and tries to associate fake labels to the minority-class samples, and thus impair the classification performance. Another critical issue is the mode collapse in GAN-based methods. The generator is only capable of producing samples within a narrow scope of the data space, which severely hinders the advancement of GAN-based HSI classification methods. In this paper, we proposed an Adaptive DropBlock-enhanced Generative Adversarial Networks (ADGAN) for HSI classification. First, to solve the imbalanced training data problem, we adjust the discriminator to be a single classifier, and it will not contradict itself. Second, an adaptive DropBlock (AdapDrop) is proposed as a regularization method employed in the generator and discriminator to alleviate the mode collapse issue. The AdapDrop generated drop masks with adaptive shapes instead of a fixed size region, and it alleviates the limitations of DropBlock in dealing with ground objects with various shapes. Experimental results on three HSI datasets demonstrated that the proposed ADGAN achieved superior performance over state-of-the-art GAN-based methods. Our codes are available at https://github.com/summitgao/HC_ADGAN
• Abstract（参考訳）: 近年,GAN(Generative Adversarial Network)に基づくハイパースペクトル画像(HSI)の分類は大きな進歩を遂げている。 GANに基づく分類法は、限られたトレーニングサンプルジレンマをある程度軽減することができる。 しかし、いくつかの研究は、既存のganベースのhsi分類法は、不均衡なトレーニングデータ問題の影響を強く受けていると指摘している。 ganの判別器は常に矛盾し、偽のラベルをマイノリティクラスのサンプルに関連付けようとするため、分類性能を損なう。 もうひとつの重要な問題は、GANベースのメソッドのモード崩壊である。 このジェネレータは、データ空間の狭い範囲でサンプルを生成できるだけであり、GANベースのHSI分類法の進歩を著しく妨げている。 本稿では,HSI分類のためのAdaptive DropBlock-enhanced Generative Adversarial Networks (ADGAN)を提案する。 まず、不均衡なトレーニングデータ問題を解決するために、識別器を単一分類器に調整し、それ自身は矛盾しない。 次に, 適応型DropBlock (AdapDrop) をジェネレータと識別器の正規化手法として提案し, モード崩壊問題を緩和する。 AdapDropは、固定サイズの領域の代わりに適応的な形状のドロップマスクを生成し、様々な形状のグラウンドオブジェクトを扱う際のDropBlockの制限を軽減する。 3つのHSIデータセットによる実験結果から,ADGANは最先端のGAN法よりも優れた性能を示した。 私たちのコードはhttps://github.com/summitgao/HC_ADGANで利用可能です。

関連論文リスト

• Generative Model Based Noise Robust Training for Unsupervised Domain Adaptation [108.11783463263328]
  本稿では, 生成モデルに基づくノイズ・ロバスト訓練法(GeNRT)を提案する。 ラベルノイズを緩和しながらドメインシフトを除去する。 Office-Home、PACS、Digit-Fiveの実験は、GeNRTが最先端のメソッドに匹敵するパフォーマンスを実現していることを示している。
  論文  参考訳（メタデータ） (2023-03-10T06:43:55Z)
• DigGAN: Discriminator gradIent Gap Regularization for GAN Training with Limited Data [13.50061291734299]
  本稿では,既存のGANに付加可能なDigGAN(DigGAN)の定式化を提案する。 DigGANは既存のGANを強化し、判別器の予測 w.r.t. 実画像と生成されたサンプル w.r.t. の勾配のノルムのギャップを狭める。 この定式化は,GANロスランドスケープ内の悪い引き込みを回避し,限られたデータが得られる場合に,GANトレーニングの結果を大幅に改善するDigGANを見出した。
  論文  参考訳（メタデータ） (2022-11-27T01:03:58Z)
• Combating Mode Collapse in GANs via Manifold Entropy Estimation [70.06639443446545]
  Generative Adversarial Networks (GAN) は、様々なタスクやアプリケーションにおいて魅力的な結果を示している。 GANのモード崩壊問題に対処するための新しいトレーニングパイプラインを提案する。
  論文  参考訳（メタデータ） (2022-08-25T12:33:31Z)
• Collapse by Conditioning: Training Class-conditional GANs with Limited Data [109.30895503994687]
  非条件学習を活用することにより、観測モード崩壊を効果的に防止する条件付きGAN(cGAN)のトレーニング戦略を提案する。 我々のトレーニング戦略は、無条件のGANから始まり、徐々に条件情報をジェネレータと目的関数に注入する。 安定したトレーニングだけでなく,高品質な画像を生成するために,限られたデータでcGANを訓練する手法を提案する。
  論文  参考訳（メタデータ） (2022-01-17T18:59:23Z)
• GAN Based Boundary Aware Classifier for Detecting Out-of-distribution Samples [24.572516991009323]
  本稿では,ほとんどのIDデータのみを含む閉じたハイパースペースを生成するためのGANベースの境界認識分類器(GBAC)を提案する。 本手法は, 従来のニューラルネットが, 未閉鎖領域として特徴空間を分離し, オード検出に適さない。 GBACを補助モジュールとして、閉じたハイパースペースの外に分散されたoodデータは、より低いスコアで割り当てられ、より効果的なood検出が可能になる。
  論文  参考訳（メタデータ） (2021-12-22T03:35:54Z)
• Discriminator-Free Generative Adversarial Attack [87.71852388383242]
  生成的ベースの敵攻撃は、この制限を取り除くことができる。 ASymmetric Saliency-based Auto-Encoder (SSAE) は摂動を生成する。 SSAEが生成した敵の例は、広く使われているモデルを崩壊させるだけでなく、優れた視覚的品質を実現する。
  論文  参考訳（メタデータ） (2021-07-20T01:55:21Z)
• Removing Class Imbalance using Polarity-GAN: An Uncertainty Sampling Approach [0.0]
  本稿では,ジェネレータネットワークg,判別器ネットワークd,分類器ネットワークcを備えた生成型逆ネットワーク(gan)を提案する。 FashionMNIST, MNIST, SVHN, ExDark, MVTec Anomaly データセット, Chest X-Ray データセット上での極端視覚的分類タスクにおけるアートパフォーマンスの状況について述べる。
  論文  参考訳（メタデータ） (2020-12-09T09:40:07Z)
• Conditional Wasserstein GAN-based Oversampling of Tabular Data for Imbalanced Learning [10.051309746913512]
  本稿では,条件付きWasserstein GANに基づくオーバーサンプリング手法を提案する。 実世界の7つのデータセット上で,標準的なオーバーサンプリング手法と不均衡なベースラインに対して,本手法をベンチマークした。
  論文  参考訳（メタデータ） (2020-08-20T20:33:56Z)
• Simple and Effective Prevention of Mode Collapse in Deep One-Class Classification [93.2334223970488]
  深部SVDDにおける超球崩壊を防止するための2つの正則化器を提案する。 第1の正則化器は、標準のクロスエントロピー損失によるランダムノイズの注入に基づいている。 第2の正規化器は、小さすぎるとミニバッチ分散をペナライズする。
  論文  参考訳（メタデータ） (2020-01-24T03:44:47Z)

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。