論文の概要: Self-supervised Contrastive Learning for Volcanic Unrest Detection
- arxiv url: http://arxiv.org/abs/2202.04030v1
- Date: Tue, 8 Feb 2022 17:54:51 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-09 16:43:10.771692
- Title: Self-supervised Contrastive Learning for Volcanic Unrest Detection
- Title（参考訳）: 火山崩壊検出のための自己教師付きコントラスト学習
- Authors: Nikolaos Ioannis Bountos, Ioannis Papoutsis, Dimitrios Michail,
Nantheera Anantrasirichai
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 4.152165675786138
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Ground deformation measured from Interferometric Synthetic Aperture Radar
(InSAR) data is considered a sign of volcanic unrest, statistically linked to a
volcanic eruption. Recent studies have shown the potential of using Sentinel-1
InSAR data and supervised deep learning (DL) methods for the detection of
volcanic deformation signals, towards global volcanic hazard mitigation.
However, detection accuracy is compromised from the lack of labelled data and
class imbalance. To overcome this, synthetic data are typically used for
finetuning DL models pre-trained on the ImageNet dataset. This approach suffers
from poor generalisation on real InSAR data. This letter proposes the use of
self-supervised contrastive learning to learn quality visual representations
hidden in unlabeled InSAR data. Our approach, based on the SimCLR framework,
provides a solution that does not require a specialized architecture nor a
large labelled or synthetic dataset. We show that our self-supervised pipeline
achieves higher accuracy with respect to the state-of-the-art methods, and
shows excellent generalisation even for out-of-distribution test data. Finally,
we showcase the effectiveness of our approach for detecting the unrest episodes
preceding the recent Icelandic Fagradalsfjall volcanic eruption.
- Abstract（参考訳）: InSAR(Interferometric Synthetic Aperture Radar)データから測定した地中変形は,火山噴火と統計的に相関した火山活動の兆候と考えられる。
近年の研究では,大域的な火山災害対策に向けて,Sentinel-1 InSARデータとDL(Deep Learning)手法を用いた火山変動信号の検出の可能性が示されている。
しかし、ラベル付きデータの欠如とクラス不均衡により検出精度が損なわれる。
これを解決するために、合成データはimagenetデータセットで事前トレーニングされたdlモデルの微調整に一般的に使用される。
このアプローチは、実際のInSARデータの一般化に苦しむ。
本稿では,ラベルのないInSARデータに隠れた高品質な視覚表現を学習するために,自己指導型コントラスト学習を提案する。
当社のアプローチは,SimCLRフレームワークをベースとして,特殊なアーキテクチャや大規模ラベル付きあるいは合成データセットを必要としないソリューションを提供しています。
自己教師付きパイプラインは最先端手法に対して高い精度を実現でき, 分散テストデータにおいても優れた一般化が得られている。
最後に,最近のアイスランドのファグラダルフジャル火山噴火に先立つ不穏なエピソードを検知する手法の有効性を示す。
関連論文リスト
- Research on Dynamic Data Flow Anomaly Detection based on Machine Learning [11.526496773281938]
本研究では,非教師なし学習法を用いて動的データフローの異常を同定する。
類似したデータをクラスタリングすることで、ラベル付きデータを必要とせずに、通常のトラフィックから著しく逸脱するデータ挙動を検出することができる。
特に、不均衡なデータのコンテキストにおいて、堅牢で適応可能なパフォーマンスを示す。
論文 参考訳（メタデータ） (2024-09-23T08:19:15Z) - Unlearnable Examples Detection via Iterative Filtering [84.59070204221366]
ディープニューラルネットワークは、データ中毒攻撃に弱いことが証明されている。
混合データセットから有毒なサンプルを検出することは極めて有益であり、困難である。
UE識別のための反復フィルタリング手法を提案する。
論文 参考訳（メタデータ） (2024-08-15T13:26:13Z) - Deep Learning for Network Anomaly Detection under Data Contamination: Evaluating Robustness and Mitigating Performance Degradation [0.0]
ディープラーニング(DL)は、サイバーセキュリティのためのネットワーク異常検出(NAD)において重要なツールとして登場した。
異常検出のためのDLモデルはデータから特徴や学習パターンを抽出するのに優れているが、データ汚染には弱い。
本研究では,データ汚染に対する6つの教師なしDLアルゴリズムのロバスト性を評価する。
論文 参考訳（メタデータ） (2024-07-11T19:47:37Z) - Anomaly detection for the identification of volcanic unrest in satellite imagery [2.642212767247493]
本稿では, 火山の変形を異常として識別する目的で, 衛星データに対する教師なし深層学習の利用について検討する。
我々の検出器はパッチ分布モデリング(PaDiM)に基づいており、検出性能は重み付き距離で向上する。
論文 参考訳（メタデータ） (2024-05-28T18:00:10Z) - GraphGuard: Detecting and Counteracting Training Data Misuse in Graph
Neural Networks [69.97213941893351]
グラフデータ分析におけるグラフニューラルネットワーク(GNN)の出現は、モデルトレーニング中のデータ誤用に関する重要な懸念を引き起こしている。
既存の手法は、データ誤用検出または緩和のいずれかに対応しており、主にローカルGNNモデル用に設計されている。
本稿では,これらの課題に対処するため,GraphGuardという先駆的なアプローチを導入する。
論文 参考訳（メタデータ） (2023-12-13T02:59:37Z) - Innovative Horizons in Aerial Imagery: LSKNet Meets DiffusionDet for
Advanced Object Detection [55.2480439325792]
本稿では,LSKNetのバックボーンをDiffusionDetヘッドに統合したオブジェクト検出モデルの詳細な評価を行う。
提案手法は平均精度(MAP)を約45.7%向上させる。
この進歩は、提案された修正の有効性を強調し、航空画像解析の新しいベンチマークを設定する。
論文 参考訳（メタデータ） (2023-11-21T19:49:13Z) - Minimizing the Accumulated Trajectory Error to Improve Dataset
Distillation [151.70234052015948]
本稿では,フラットな軌道を求める最適化アルゴリズムを提案する。
合成データに基づいてトレーニングされた重みは、平坦な軌道への正規化を伴う累積誤差摂動に対して頑健であることを示す。
本手法はFTD (Flat Trajectory Distillation) と呼ばれ, 勾配整合法の性能を最大4.7%向上させる。
論文 参考訳（メタデータ） (2022-11-20T15:49:11Z) - Incorporating Semi-Supervised and Positive-Unlabeled Learning for
Boosting Full Reference Image Quality Assessment [73.61888777504377]
フル参照(FR)画像品質評価(IQA)は、その知覚的差異をプリズム品質基準で測定することにより、歪み画像の視覚的品質を評価する。
ラベルなしデータは、画像劣化または復元プロセスから容易に収集することができ、ラベルなしのトレーニングデータを利用してFR-IQA性能を高めることを奨励する。
本稿では, 半教師付き, 正の未ラベル学習(PU)を用いて, ラベルなしデータを活用し, オフレーヤの悪影響を軽減することを提案する。
論文 参考訳（メタデータ） (2022-04-19T09:10:06Z) - Learning class prototypes from Synthetic InSAR with Vision Transformers [2.41710192205034]
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。
論文 参考訳（メタデータ） (2022-01-09T14:03:00Z) - Incorporating Causal Graphical Prior Knowledge into Predictive Modeling
via Simple Data Augmentation [92.96204497841032]
因果グラフ(CG)は、データ分散の背後にあるデータ生成プロセスの知識のコンパクトな表現である。
本研究では,条件付き独立性(CI)関係の事前知識を活用可能なモデルに依存しないデータ拡張手法を提案する。
本手法は,小データシステムにおける予測精度の向上に有効であることを実験的に示した。
論文 参考訳（メタデータ） (2021-02-27T06:13:59Z) - The Deep Radial Basis Function Data Descriptor (D-RBFDD) Network: A
One-Class Neural Network for Anomaly Detection [7.906608953906889]
異常検出は機械学習において難しい問題である。
放射状基底関数データ記述子(rbfdd)ネットワークは異常検出に有効なソリューションである。
本稿では,RBFDDネットワークを改良して深層一級分類器に変換する手法について検討する。
論文 参考訳（メタデータ） (2021-01-29T15:15:17Z)
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。