論文の概要: ESW Edge-Weights : Ensemble Stochastic Watershed Edge-Weights for
Hyperspectral Image Classification
- arxiv url: http://arxiv.org/abs/2202.13502v1
- Date: Mon, 28 Feb 2022 01:53:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-01 16:38:20.598453
- Title: ESW Edge-Weights : Ensemble Stochastic Watershed Edge-Weights for
Hyperspectral Image Classification
- Title(参考訳): ESWエッジウェイト : ハイパースペクトル画像分類のための確率的流域エッジウェイト
- Authors: Rohan Agarwal, Aman Aziz, Aditya Suraj Krishnan, Aditya Challa, Sravan
Danda
- Abstract要約: ハイパースペクトル画像(HSI)分類は活発な研究のトピックである。
HSI分類の主な課題の1つは、信頼性のあるラベル付きサンプルの欠如である。
低数のラベル付きサンプルを扱うために,様々な半教師付きおよび教師なし分類法が提案されている。
これらのアプローチは、半教師付きおよび教師なし分類のためのグラフ構造を利用する。
本稿では、エッジウェイトを明示的に推定し、半教師なしと教師なしの両方の下流分類タスクに使用する。
- 参考スコア(独自算出の注目度): 1.487576938041254
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Hyperspectral image (HSI) classification is a topic of active research. One
of the main challenges of HSI classification is the lack of reliable labelled
samples. Various semi-supervised and unsupervised classification methods are
proposed to handle the low number of labelled samples. Chief among them are
graph convolution networks (GCN) and their variants. These approaches exploit
the graph structure for semi-supervised and unsupervised classification. While
several of these methods implicitly construct edge-weights, to our knowledge,
not much work has been done to estimate the edge-weights explicitly. In this
article, we estimate the edge-weights explicitly and use them for the
downstream classification tasks - both semi-supervised and unsupervised. The
proposed edge-weights are based on two key insights - (a) Ensembles reduce the
variance and (b) Classes in HSI datasets and feature similarity have only
one-sided implications. That is, while same classes would have similar
features, similar features do not necessarily imply the same classes.
Exploiting these, we estimate the edge-weights using an aggregate of ensembles
of watersheds over subsamples of features. These edge weights are evaluated for
both semi-supervised and unsupervised classification tasks. The evaluation for
semi-supervised tasks uses Random-Walk based approach. For the unsupervised
case, we use a simple filter using a graph convolution network (GCN). In both
these cases, the proposed edge weights outperform the traditional approaches to
compute edge-weights - Euclidean distances and cosine similarities.
Fascinatingly, with the proposed edge-weights, the simplest GCN obtained
results comparable to the recent state-of-the-art.
- Abstract(参考訳): hyperspectral image (hsi) 分類は活発な研究のトピックである。
HSI分類の主な課題の1つは、信頼できるラベル付きサンプルの欠如である。
低数のラベル付きサンプルを扱うために,様々な半教師付きおよび教師なし分類法を提案する。
主なものは、グラフ畳み込みネットワーク(GCN)とその変種である。
これらのアプローチは、半教師なし分類と教師なし分類のグラフ構造を利用する。
これらのメソッドのいくつかは暗黙的にエッジウェイトを構築していますが、私たちの知識では、エッジウェイトを明示的に見積もる作業はあまり行われていません。
本稿では、エッジウェイトを明示的に推定し、半教師なしと教師なしの両方の下流分類タスクに使用する。
提案するエッジウェイトは2つの重要な洞察に基づいています。
a)アンサンブルは分散を減少させ、
b)HSIデータセットのクラスと特徴類似性は一方的な意味しか持たない。
つまり、同じクラスが同じ機能を持つが、同様の機能は必ずしも同じクラスを意味するとは限らない。
実験では, 特徴量のサブサンプル上の流域の集合体を用いて, エッジウェイトを推定する。
これらのエッジ重みは、半教師なしと非教師なしの分類タスクの両方で評価される。
半教師付きタスクの評価はランダムウォークに基づくアプローチを用いる。
教師なしの場合、グラフ畳み込みネットワーク(GCN)を用いた単純なフィルタを用いる。
いずれの場合においても、提案されるエッジウェイトは、ユークリッド距離とコサイン類似性という、エッジウェイトを計算する従来のアプローチを上回っている。
興味深いことに、提案されているエッジウェイトにより、最も単純なgcnは最新技術に匹敵する結果を得た。
関連論文リスト
- Edge Classification on Graphs: New Directions in Topological Imbalance [53.42066415249078]
異なるクラスにまたがるエッジの歪んだ分布から生じる新しいトポロジカル不均衡問題」を同定する。
本稿では,各エッジのトポロジ的不均衡を測定する新しいトポロジ的指標であるトポロジカルエントロピー(TE)を紹介する。
TEをベースとした(合成)エッジのトレーニングに重点を置くため、トポロジカルリウェイトリングとTEウェッジベースのMixupという2つの戦略を開発した。
論文 参考訳(メタデータ) (2024-06-17T16:02:36Z) - Generating Unbiased Pseudo-labels via a Theoretically Guaranteed
Chebyshev Constraint to Unify Semi-supervised Classification and Regression [57.17120203327993]
分類におけるしきい値と擬似ラベルプロセス(T2L)は、ラベルの品質を決定するために信頼性を使用する。
本質的には、レグレッションは高品質なラベルを生成するためにバイアスのない方法も必要である。
チェビシェフの不等式に基づく不偏ラベルを生成するための理論的に保証された制約を提案する。
論文 参考訳(メタデータ) (2023-11-03T08:39:35Z) - Finding Heterophilic Neighbors via Confidence-based Subgraph Matching
for Semi-supervised Node Classification [1.3190581566723918]
グラフニューラルネットワーク(GNN)は多くのグラフベースのアプリケーションで強力であることが証明されている。
しかし、それらはヘテロ親和的な設定でうまく一般化することができない。
論文 参考訳(メタデータ) (2023-02-20T04:23:34Z) - Refined Edge Usage of Graph Neural Networks for Edge Prediction [51.06557652109059]
We propose a novel edge prediction paradigm named Edge-aware Message PassIng neuRal nEtworks (EMPIRE)。
まず,各エッジをトポロジや監督のためにのみ使用するエッジ分割手法を提案する。
監視エッジで接続されたペアと接続されていないペアの差を強調するために、さらにメッセージを重み付けして、その差を反映できる相対的なペアを強調します。
論文 参考訳(メタデータ) (2022-12-25T23:19:56Z) - Parametric Classification for Generalized Category Discovery: A Baseline
Study [70.73212959385387]
Generalized Category Discovery (GCD)は、ラベル付きサンプルから学習した知識を用いて、ラベルなしデータセットで新しいカテゴリを発見することを目的としている。
パラメトリック分類器の故障を調査し,高品質な監視が可能であった場合の過去の設計選択の有効性を検証し,信頼性の低い疑似ラベルを重要課題として同定する。
エントロピー正規化の利点を生かし、複数のGCDベンチマークにおける最先端性能を実現し、未知のクラス数に対して強いロバスト性を示す、単純で効果的なパラメトリック分類法を提案する。
論文 参考訳(メタデータ) (2022-11-21T18:47:11Z) - Ranking-Based Siamese Visual Tracking [31.2428211299895]
シームズベースのトラッカーは、主に視覚追跡を2つの独立したサブタスクに定式化し、分類とローカライゼーションを含む。
本稿では,異なる提案間の関係を探索するランキングベース最適化アルゴリズムを提案する。
提案された2つのランキングの損失は、ほとんどのシームズトラッカーと互換性があり、推論のための追加計算は発生しない。
論文 参考訳(メタデータ) (2022-05-24T03:46:40Z) - Prototypical Classifier for Robust Class-Imbalanced Learning [64.96088324684683]
埋め込みネットワークに付加的なパラメータを必要としないtextitPrototypealを提案する。
プロトタイプは、訓練セットがクラス不均衡であるにもかかわらず、すべてのクラスに対してバランスと同等の予測を生成する。
我々は, CIFAR-10LT, CIFAR-100LT, Webvision のデータセットを用いて, プロトタイプが芸術の状況と比較した場合, サブスタンスの改善が得られることを検証した。
論文 参考訳(メタデータ) (2021-10-22T01:55:01Z) - Binary Classification from Multiple Unlabeled Datasets via Surrogate Set
Classification [94.55805516167369]
我々は m 個の U 集合を $mge2$ で二進分類する新しい手法を提案する。
我々のキーとなる考え方は、サロゲート集合分類(SSC)と呼ばれる補助的分類タスクを考えることである。
論文 参考訳(メタデータ) (2021-02-01T07:36:38Z) - A Classification-Based Approach to Semi-Supervised Clustering with
Pairwise Constraints [5.639904484784126]
対制約付き半教師付きクラスタリングのためのネットワークフレームワークを提案する。
既存のアプローチとは対照的に、SSCを2つの単純な分類タスク/ステージに分解する。
提案手法であるS3C2は、二項分類がマルチクラスクラスタリングよりも容易であるという観察から動機づけられている。
論文 参考訳(メタデータ) (2020-01-18T20:13:07Z)
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。