論文の概要: Mars Terrain Segmentation with Less Labels

• arxiv url: http://arxiv.org/abs/2202.00791v1
• Date: Tue, 1 Feb 2022 22:25:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-03 14:20:29.553312
• Title: Mars Terrain Segmentation with Less Labels
• Title（参考訳）: ラベルの少ない火星地層セグメンテーション
• Authors: Edwin Goh, Jingdao Chen, Brian Wilson
• Abstract要約: 本研究では,火星の地形区分に関する半教師付き学習フレームワークを提案する。 コントラスト損失関数と出力アトラス畳み込みモジュールを使ってトレーニングされるバックボーンモジュールが組み込まれている。 提案したモデルは161のトレーニング画像のみを用いて91.1%のセグメンテーション精度を達成することができる。
• 参考スコア（独自算出の注目度）: 1.1745324895296465
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Planetary rover systems need to perform terrain segmentation to identify drivable areas as well as identify specific types of soil for sample collection. The latest Martian terrain segmentation methods rely on supervised learning which is very data hungry and difficult to train where only a small number of labeled samples are available. Moreover, the semantic classes are defined differently for different applications (e.g., rover traversal vs. geological) and as a result the network has to be trained from scratch each time, which is an inefficient use of resources. This research proposes a semi-supervised learning framework for Mars terrain segmentation where a deep segmentation network trained in an unsupervised manner on unlabeled images is transferred to the task of terrain segmentation trained on few labeled images. The network incorporates a backbone module which is trained using a contrastive loss function and an output atrous convolution module which is trained using a pixel-wise cross-entropy loss function. Evaluation results using the metric of segmentation accuracy show that the proposed method with contrastive pretraining outperforms plain supervised learning by 2%-10%. Moreover, the proposed model is able to achieve a segmentation accuracy of 91.1% using only 161 training images (1% of the original dataset) compared to 81.9% with plain supervised learning.
• Abstract（参考訳）: 惑星ローバーシステムは、乾燥可能な地域を識別し、サンプル収集のための特定の種類の土壌を特定するために、地形のセグメンテーションを行う必要がある。 最新の火星の地形区分法は教師あり学習に依存しており、非常にデータに飢えており、少数のラベル付きサンプルしか使用できない訓練が困難である。 さらに、セマンティクスクラスは、異なるアプリケーション(例えばローバートラバーサル対地質学)に対して異なる定義であり、結果としてネットワークは、リソースの非効率的な使用である、毎回スクラッチからトレーニングされなければならない。 本研究では,無ラベル画像を用いた深層セグメンテーションネットワークを,少数のラベル付き画像で訓練された地形セグメンテーションのタスクに転送する,火星の地形セグメンテーションのための半教師付き学習フレームワークを提案する。 このネットワークは、コントラスト損失関数を用いてトレーニングされるバックボーンモジュールと、画素毎のクロスエントロピー損失関数を用いてトレーニングされる出力アトラス畳み込みモジュールとを組み込む。 セグメンテーション精度の指標を用いた評価の結果, コントラストプリトレーニングによる手法は, 教師あり学習を2%～10%上回ることがわかった。 さらに,提案モデルでは,教師付き学習の81.9%に対して161のトレーニング画像(オリジナルデータセットの1%)のみを用いて,91.1%のセグメンテーション精度を実現することができた。

関連論文リスト

• Weakly-supervised Camera Localization by Ground-to-satellite Image Registration [52.54992898069471]
  本稿では,地対衛星画像登録のための弱教師付き学習戦略を提案する。 地上画像ごとに正の衛星画像と負の衛星画像を導き出す。 また,クロスビュー画像の相対回転推定のための自己超越戦略を提案する。
  論文  参考訳（メタデータ） (2024-09-10T12:57:16Z)
• Cross-Level Distillation and Feature Denoising for Cross-Domain Few-Shot Classification [49.36348058247138]
  トレーニング段階において,対象領域内のラベルなし画像のごく一部をアクセス可能にすることで,ドメイン間数ショット分類の問題に対処する。 我々は,対象データセットのより識別的な特徴を抽出するモデルの能力を高めるため,クロスレベルな知識蒸留法を慎重に設計する。 提案手法は,従来の動的蒸留法を5.44%,1.37%,5ショット分類法を1.37%超えることができる。
  論文  参考訳（メタデータ） (2023-11-04T12:28:04Z)
• GenCo: An Auxiliary Generator from Contrastive Learning for Enhanced Few-Shot Learning in Remote Sensing [9.504503675097137]
  我々は、バックボーンを事前訓練し、同時に特徴サンプルの変種を探索するジェネレータベースのコントラスト学習フレームワーク(GenCo)を導入する。 微調整では、補助ジェネレータを使用して、特徴空間内の限られたラベル付きデータサンプルを濃縮することができる。 本稿では,2つの重要なリモートセンシングデータセットにおいて,この手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-07-27T03:59:19Z)
• Semi-Supervised Domain Adaptation for Semantic Segmentation of Roads from Satellite Images [1.1470070927586016]
  本稿では,衛星画像から道路を抽出する半教師付きセグメンテーション手法の予備的知見について述べる。 擬似ラベルと最小クラス融合に基づく半教師付きフィールド適応法が提案されている。
  論文  参考訳（メタデータ） (2022-12-26T10:50:40Z)
• Mixed-domain Training Improves Multi-Mission Terrain Segmentation [0.9566312408744931]
  現在の火星の地形区分モデルは、異なる領域にまたがる配置のために再訓練を必要とする。 本研究では,火星表面のマルチミッション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に,バックボーンの教師なしコントラスト事前学習を利用する半教師付き学習手法を提案する。
  論文  参考訳（メタデータ） (2022-09-27T20:25:24Z)
• Semi-supervised domain adaptation with CycleGAN guided by a downstream task loss [4.941630596191806]
  ドメイン適応は、ラベル付けが高価でエラーを起こしやすいタスクであるため、非常に興味深い。 画像から画像へのアプローチは、入力のシフトを軽減するために使用することができる。 本稿では、画像から画像へのドメイン適応アプローチにおいて、GANの「タスク認識」バージョンを提案する。
  論文  参考訳（メタデータ） (2022-08-18T13:13:30Z)
• PCA: Semi-supervised Segmentation with Patch Confidence Adversarial Training [52.895952593202054]
  医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。 PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。 本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
  論文  参考訳（メタデータ） (2022-07-24T07:45:47Z)
• Segmentation of VHR EO Images using Unsupervised Learning [19.00071868539993]
  単一のラベルのないシーンでトレーニングできる教師なしセマンティックセマンティックセマンティクス手法を提案する。 提案手法は、この特性を利用して、より大きなシーンから小さなパッチをサンプリングする。 対象画像/シーンの教師なしトレーニングの後、モデルはシーンに存在する主要なクラスを自動的に分離し、セグメンテーションマップを生成する。
  論文  参考訳（メタデータ） (2021-07-09T11:42:48Z)
• Seasonal Contrast: Unsupervised Pre-Training from Uncurated Remote Sensing Data [64.40187171234838]
  季節的コントラスト(SeCo)は、リモートセンシング表現のドメイン内事前トレーニングにラベルのないデータを活用するための効果的なパイプラインである。 SeCoは、転送学習を容易にし、再リモートセンシングアプリケーションの急速な進歩を可能にするために公開されます。
  論文  参考訳（メタデータ） (2021-03-30T18:26:39Z)
• Region Comparison Network for Interpretable Few-shot Image Classification [97.97902360117368]
  新しいクラスのモデルをトレーニングするために、ラベル付きサンプルの限られた数だけを効果的に活用するための画像分類が提案されている。 本研究では,領域比較ネットワーク (RCN) と呼ばれる距離学習に基づく手法を提案する。 また,タスクのレベルからカテゴリへの解釈可能性の一般化も提案する。
  論文  参考訳（メタデータ） (2020-09-08T07:29:05Z)
• Weakly Supervised Deep Nuclei Segmentation Using Partial Points Annotation in Histopathology Images [51.893494939675314]
  本稿では,部分点アノテーションに基づく弱教師付きセグメンテーションフレームワークを提案する。 本手法は, 完全教師付き手法や最先端手法と比較して, 競争性能を向上できることを示す。
  論文  参考訳（メタデータ） (2020-07-10T15:41:29Z)

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。