論文の概要: Improving performance of aircraft detection in satellite imagery while limiting the labelling effort: Hybrid active learning

• arxiv url: http://arxiv.org/abs/2202.04890v1
• Date: Thu, 10 Feb 2022 08:24:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-11 15:19:52.272510
• Title: Improving performance of aircraft detection in satellite imagery while limiting the labelling effort: Hybrid active learning
• Title（参考訳）: ラベル付け作業を制限した衛星画像における航空機検出の性能向上:ハイブリッド能動学習
• Authors: Julie Imbert, Gohar Dashyan, Alex Goupilleau, Tugdual Ceillier, Marie-Caroline Corbineau
• Abstract要約: 防衛分野では、衛星画像上の航空機検出はアナリストにとって貴重なツールである。 本稿では,ラベルに最も関連性の高いデータを選択するためのハイブリッドクラスタリング能動的学習手法を提案する。 本手法は,他の能動的学習法と比較して,優れた,あるいは競争力のある結果が得られることを示す。
• 参考スコア（独自算出の注目度）: 0.9379652654427957
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The earth observation industry provides satellite imagery with high spatial resolution and short revisit time. To allow efficient operational employment of these images, automating certain tasks has become necessary. In the defense domain, aircraft detection on satellite imagery is a valuable tool for analysts. Obtaining high performance detectors on such a task can only be achieved by leveraging deep learning and thus us-ing a large amount of labeled data. To obtain labels of a high enough quality, the knowledge of military experts is needed.We propose a hybrid clustering active learning method to select the most relevant data to label, thus limiting the amount of data required and further improving the performances. It combines diversity- and uncertainty-based active learning selection methods. For aircraft detection by segmentation, we show that this method can provide better or competitive results compared to other active learning methods.
• Abstract（参考訳）: 地球観測産業は、高解像度で短い再訪時間で衛星画像を提供する。 これらの画像の効率的な運用を実現するためには、タスクの自動化が必要である。 防衛分野では、衛星画像による航空機検出はアナリストにとって貴重なツールである。 このようなタスク上で高性能な検出を行うには、ディープラーニングを活用して大量のラベル付きデータを利用すればよい。 十分な品質のラベルを得るには,軍事専門家の知識が必要である。我々は,最も関連するラベルデータを選択するためのハイブリッドクラスタリングアクティブラーニング手法を提案し,必要なデータ量を制限し,さらに性能を向上させる。 多様性と不確実性に基づくアクティブラーニング選択手法を組み合わせる。 航空機のセグメンテーションによる検出において,本手法は他のアクティブラーニング手法よりも優れた,あるいは競争的な結果が得られることを示す。

関連論文リスト

• 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)
• Knowledge distillation with Segment Anything (SAM) model for Planetary Geological Mapping [0.7266531288894184]
  本稿では,迅速なアノテーションと迅速な適応性を実現するための素早い基礎モデルの有効性を示す。 主要な結果は、知識蒸留を使用することで、手動アノテーションのドメインの専門家が必要とする労力を大幅に削減できることを示唆している。 このアプローチは、火星の地形を自動的に検出し、セグメンテーションすることで、地球外発見を加速する可能性がある。
  論文  参考訳（メタデータ） (2023-05-12T16:30:58Z)
• Self-Supervised Pretraining on Satellite Imagery: a Case Study on Label-Efficient Vehicle Detection [0.0]
  超高解像度光衛星画像における物体検出のためのドメイン内自己教師型表現学習について検討する。 我々は、世界地図の大規模な土地利用分類データセットを用いて、Momentum Contrastフレームワークの拡張による表現の事前訓練を行う。 次に,Preligensプロプライエタリなデータに基づいて,車両の詳細な検出と分類を行う実世界のタスクにおいて,このモデルが持つ伝達可能性について検討する。
  論文  参考訳（メタデータ） (2022-10-21T08:41:22Z)
• SatMAE: Pre-training Transformers for Temporal and Multi-Spectral Satellite Imagery [74.82821342249039]
  Masked Autoencoder(MAE)に基づく時間・マルチスペクトル衛星画像の事前学習フレームワークであるSatMAEについて述べる。 時間的情報を活用するために、時間にわたって画像パッチを個別にマスキングする時間的埋め込みを含む。
  論文  参考訳（メタデータ） (2022-07-17T01:35:29Z)
• Task-Oriented Image Transmission for Scene Classification in Unmanned Aerial Systems [46.64800170644672]
  シーン分類作業のための新しい航空画像伝送パラダイムを提案する。 画像やチャネル条件の認識を伴うセマンティックブロック伝送のための,フロントエンドUAV上での軽量モデルを開発した。 伝送遅延と分類精度のトレードオフを達成するために、深層強化学習を用いる。
  論文  参考訳（メタデータ） (2021-12-21T02:44:49Z)
• Rethinking Drone-Based Search and Rescue with Aerial Person Detection [79.76669658740902]
  航空ドローンの映像の視覚検査は、現在土地捜索救助(SAR)活動に不可欠な部分である。 本稿では,この空中人物検出(APD)タスクを自動化するための新しいディープラーニングアルゴリズムを提案する。 本稿では,Aerial Inspection RetinaNet (AIR) アルゴリズムについて述べる。
  論文  参考訳（メタデータ） (2021-11-17T21:48:31Z)
• Few-Cost Salient Object Detection with Adversarial-Paced Learning [95.0220555274653]
  本稿では,少数のトレーニング画像にのみ手動アノテーションを応用して,効果的なサルエント物体検出モデルを学習することを提案する。 我々は,このタスクを,少額の有能な物体検出とみなし,少数のコストの学習シナリオを促進するために,APL(Adversarialpaced Learning)ベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-04-05T14:15:49Z)
• Active learning for object detection in high-resolution satellite images [1.6500749121196985]
  本研究は,高解像度画像における物体検出に最も有効な能動学習手法について検討することを目的とする。 これは、関連する運用上のユースケースにおけるそのようなテクニックの価値を示す例である: 航空機の検出。
  論文  参考訳（メタデータ） (2021-01-07T10:57:38Z)
• Batch Exploration with Examples for Scalable Robotic Reinforcement Learning [63.552788688544254]
  BEE(Batch Exploration with Examples)は、重要状態の画像の少ない数の人間がガイドする状態空間の関連領域を探索する。 BEEは、シミュレーションと本物のフランカロボットの両方で、視覚ベースの操作に挑戦することができる。
  論文  参考訳（メタデータ） (2020-10-22T17:49:25Z)
• Deep Traffic Sign Detection and Recognition Without Target Domain Real Images [52.079665469286496]
  本稿では,ターゲットドメインからの実際の画像を必要としない新しいデータベース生成手法と,(ii)交通標識のテンプレートを提案する。 この方法は、実際のデータでトレーニングを克服することではなく、実際のデータが利用できない場合に互換性のある代替手段になることを目的としている。 大規模なデータセットでは、完全に合成されたデータセットによるトレーニングは、実際のデータセットとトレーニングのパフォーマンスにほぼ一致する。
  論文  参考訳（メタデータ） (2020-07-30T21:06:47Z)

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。