論文の概要: Sampling Strategy for Fine-Tuning Segmentation Models to Crisis Area
under Scarcity of Data
- arxiv url: http://arxiv.org/abs/2202.04766v1
- Date: Wed, 9 Feb 2022 23:16:58 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-11 15:58:07.229956
- Title: Sampling Strategy for Fine-Tuning Segmentation Models to Crisis Area
under Scarcity of Data
- Title(参考訳): データ不足下の危機領域における微調整分割モデルのサンプリング戦略
- Authors: Adrianna Janik and Kris Sankaran
- Abstract要約: 本研究では,推定モデルとサンプル特性に基づいて,微調整中のデータ収集をガイドする手法を提案する。
我々は,ビルディング検出のリモートセンシングアプリケーションにおいて,セマンティックセグメンテーション(U-Net)の深層学習モデルに適用した。
- 参考スコア(独自算出の注目度): 0.76146285961466
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The use of remote sensing in humanitarian crisis response missions is
well-established and has proven relevant repeatedly. One of the problems is
obtaining gold annotations as it is costly and time consuming which makes it
almost impossible to fine-tune models to new regions affected by the crisis.
Where time is critical, resources are limited and environment is constantly
changing, models has to evolve and provide flexible ways to adapt to a new
situation. The question that we want to answer is if prioritization of samples
provide better results in fine-tuning vs other classical sampling methods under
annotated data scarcity? We propose a method to guide data collection during
fine-tuning, based on estimated model and sample properties, like predicted IOU
score. We propose two formulas for calculating sample priority. Our approach
blends techniques from interpretability, representation learning and active
learning. We have applied our method to a deep learning model for semantic
segmentation, U-Net, in a remote sensing application of building detection -
one of the core use cases of remote sensing in humanitarian applications.
Preliminary results shows utility in prioritization of samples for tuning
semantic segmentation models under scarcity of data condition.
- Abstract(参考訳): 人道的危機対応任務におけるリモートセンシングの使用は確立されており、繰り返し関連することが証明されている。
問題の1つは、金のアノテーションの取得であり、コストと時間を要するため、危機によって影響を受ける新しい地域へのモデル調整はほぼ不可能である。
時間が重要であり、リソースは限られており、環境は常に変化しており、モデルは進化し、新しい状況に適応するための柔軟な方法を提供する必要があります。
私たちが答えたいのは、サンプルの優先順位付けが、注釈付きデータ不足下での他の古典的なサンプリング方法と比較して、微調整のより良い結果をもたらすかどうかである。
本稿では,予測iouスコアのような推定モデルとサンプル特性に基づいて,微調整時のデータ収集を誘導する手法を提案する。
サンプル優先度を計算するための式を2つ提案する。
我々のアプローチは、解釈可能性、表現学習、アクティブラーニングのテクニックをブレンドする。
我々は,人道的応用におけるリモートセンシングのコアユースケースの1つを構築するリモートセンシングアプリケーションにおいて,セマンティックセグメンテーション(U-Net)の深層学習モデルに適用した。
予備的な結果は、データ条件の不足下でセマンティックセグメンテーションモデルをチューニングするためのサンプルの優先順位付けに有用であることを示す。
関連論文リスト
- Learning with Noisy Foundation Models [95.50968225050012]
本論文は、事前学習データセットにおけるノイズの性質を包括的に理解し分析する最初の研究である。
雑音の悪影響を緩和し、一般化を改善するため、特徴空間に適応するチューニング法(NMTune)を提案する。
論文 参考訳(メタデータ) (2024-03-11T16:22:41Z) - Spatial-temporal Forecasting for Regions without Observations [13.805203053973772]
本研究では,歴史的観察を伴わない関心領域の時空間予測について検討した。
タスクに対してSTSMというモデルを提案する。
私たちの重要な洞察は、関心のある領域に類似している場所から学ぶことです。
論文 参考訳(メタデータ) (2024-01-19T06:26:05Z) - Gradient and Uncertainty Enhanced Sequential Sampling for Global Fit [0.0]
本稿では、GUESS(Gradient and Uncertainty Enhanced Sequential Smpling)と呼ばれる、グローバル適合のための新しいサンプリング戦略を提案する。
GUESSは, 実験例における他のサロゲート型戦略と比較して, 平均的な試料効率で達成された。
論文 参考訳(メタデータ) (2023-09-29T19:49:39Z) - Informative Data Mining for One-Shot Cross-Domain Semantic Segmentation [84.82153655786183]
Informative Data Mining (IDM) と呼ばれる新しいフレームワークを提案し、セマンティックセグメンテーションのための効率的なワンショットドメイン適応を実現する。
IDMは、最も情報性の高いサンプルを特定するために不確実性に基づく選択基準を提供し、迅速に適応し、冗長なトレーニングを減らす。
提案手法は,GTA5/SYNTHIAからCityscapesへの適応タスクにおいて,既存の手法より優れ,56.7%/55.4%の最先端のワンショット性能を実現している。
論文 参考訳(メタデータ) (2023-09-25T15:56:01Z) - Data-driven Preference Learning Methods for Sorting Problems with
Multiple Temporal Criteria [17.673512636899076]
本研究では,時間的基準が存在する場合の複数基準ソート問題に対する新しい選好学習手法を提案する。
スケーラビリティを向上し、学習可能な時間割引要素に対応するため、新しい単調リカレントニューラルネットワーク(mRNN)を導入する。
提案するmRNNは、時間とともに、限界値関数とパーソナライズされた時間割引係数を記述することにより、好みのダイナミクスを記述することができる。
論文 参考訳(メタデータ) (2023-09-22T05:08:52Z) - Optimal Sample Selection Through Uncertainty Estimation and Its
Application in Deep Learning [22.410220040736235]
コアセット選択とアクティブラーニングの両方に対処するための理論的に最適な解を提案する。
提案手法であるCOPSは,サブサンプルデータに基づいてトレーニングされたモデルの損失を最小限に抑えるために設計されている。
論文 参考訳(メタデータ) (2023-09-05T14:06:33Z) - Improving Heterogeneous Model Reuse by Density Estimation [105.97036205113258]
本稿では,異なる参加者の個人データを用いてモデルを学習することを目的とした多人数学習について検討する。
モデルの再利用は、各パーティーのためにローカルモデルがトレーニングされていると仮定して、マルチパーティの学習にとって有望なソリューションである。
論文 参考訳(メタデータ) (2023-05-23T09:46:54Z) - Less is More: Mitigate Spurious Correlations for Open-Domain Dialogue
Response Generation Models by Causal Discovery [52.95935278819512]
本研究で得られたCGDIALOGコーパスに基づくオープンドメイン応答生成モデルのスプリアス相関に関する最初の研究を行った。
因果探索アルゴリズムに着想を得て,反応生成モデルの学習と推論のための新しいモデル非依存手法を提案する。
論文 参考訳(メタデータ) (2023-03-02T06:33:48Z) - One for More: Selecting Generalizable Samples for Generalizable ReID
Model [92.40951770273972]
本稿では,選択したサンプルを損失関数として一般化する1対3の学習目標を提案する。
提案した1対3のサンプルは,ReIDトレーニングフレームワークにシームレスに統合できる。
論文 参考訳(メタデータ) (2020-12-10T06:37:09Z) - Identifying Wrongly Predicted Samples: A Method for Active Learning [6.976600214375139]
本稿では,不確実性を超えた単純なサンプル選択基準を提案する。
予測されたサンプルを正しく識別するために、最先端の結果とより良いレートを示す。
論文 参考訳(メタデータ) (2020-10-14T09:00:42Z) - Goal-directed Generation of Discrete Structures with Conditional
Generative Models [85.51463588099556]
本稿では,強化学習目標を直接最適化し,期待される報酬を最大化するための新しいアプローチを提案する。
提案手法は、ユーザ定義プロパティを持つ分子の生成と、所定の目標値を評価する短いピソン表現の同定という2つのタスクで検証する。
論文 参考訳(メタデータ) (2020-10-05T20:03:13Z)
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。