論文の概要: Graph-based Active Learning for Semi-supervised Classification of SAR
Data
- arxiv url: http://arxiv.org/abs/2204.00005v1
- Date: Thu, 31 Mar 2022 00:14:06 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-04 12:58:43.591013
- Title: Graph-based Active Learning for Semi-supervised Classification of SAR
Data
- Title（参考訳）: SARデータの半教師付き分類のためのグラフベースアクティブラーニング
- Authors: Kevin Miller, John Mauro, Jason Setiadi, Xoaquin Baca, Zhan Shi, Jeff
Calder, Andrea L. Bertozzi
- Abstract要約: 本稿では,グラフベース学習法とニューラルネットワーク法を組み合わせた合成開口レーダ(SAR)データの分類手法を提案する。
CNNVAEの機能埋め込みとグラフ構築はラベル付きデータを必要としないため、オーバーフィッティングが軽減される。
この方法は、データラベリングプロセスにおいて、アクティブラーニングのためのヒューマン・イン・ザ・ループを容易に組み込む。
- 参考スコア（独自算出の注目度）: 8.92985438874948
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present a novel method for classification of Synthetic Aperture Radar
(SAR) data by combining ideas from graph-based learning and neural network
methods within an active learning framework. Graph-based methods in machine
learning are based on a similarity graph constructed from the data. When the
data consists of raw images composed of scenes, extraneous information can make
the classification task more difficult. In recent years, neural network methods
have been shown to provide a promising framework for extracting patterns from
SAR images. These methods, however, require ample training data to avoid
overfitting. At the same time, such training data are often unavailable for
applications of interest, such as automatic target recognition (ATR) and SAR
data. We use a Convolutional Neural Network Variational Autoencoder (CNNVAE) to
embed SAR data into a feature space, and then construct a similarity graph from
the embedded data and apply graph-based semi-supervised learning techniques.
The CNNVAE feature embedding and graph construction requires no labeled data,
which reduces overfitting and improves the generalization performance of graph
learning at low label rates. Furthermore, the method easily incorporates a
human-in-the-loop for active learning in the data-labeling process. We present
promising results and compare them to other standard machine learning methods
on the Moving and Stationary Target Acquisition and Recognition (MSTAR) dataset
for ATR with small amounts of labeled data.
- Abstract（参考訳）: 本稿では,アクティブ・ラーニング・フレームワークにおいて,グラフベース学習法とニューラルネットワーク法を組み合わせた合成開口レーダ(sar)データの分類手法を提案する。
機械学習におけるグラフベースの手法は、データから構築された類似性グラフに基づいている。
シーンからなる生画像からデータを構成する場合、余分な情報により分類作業が難しくなる。
近年,sar画像からパターンを抽出するための有望なフレームワークとしてニューラルネットワークが提案されている。
しかし、これらの方法は過度な適合を避けるために十分なトレーニングデータを必要とする。
同時に、このようなトレーニングデータは、自動目標認識(ATR)やSARデータなど、興味のあるアプリケーションでは利用できないことが多い。
我々は、畳み込みニューラルネットワーク変分自動符号化(CNNVAE)を用いて、SARデータを特徴空間に埋め込んで、埋め込みデータから類似性グラフを構築し、グラフに基づく半教師付き学習技術を適用する。
cnnvaeの機能埋め込みとグラフ構築はラベル付きデータを必要としないため、過剰フィッティングが減少し、低いラベルレートでグラフ学習の一般化性能が向上する。
さらに、この方法は、データラベル処理においてアクティブラーニングのためのヒューマン・イン・ザ・ループを組み込むのが容易である。
提案手法は,ATRの移動・静止目標獲得・認識(MSTAR)データセットにおいて,少ないラベル付きデータで有望な結果を示し,他の機械学習手法と比較する。
関連論文リスト
- Novel Representation Learning Technique using Graphs for Performance
Analytics [0.0]
本稿では,グラフニューラルネットワーク(GNN)技術の進歩を活用するために,パフォーマンスデータをグラフに変換する新しいアイデアを提案する。
ソーシャルネットワークのような他の機械学習アプリケーションドメインとは対照的に、グラフは提供されない。
我々は,GNNから生成された埋め込みの有効性を,単純なフィードフォワードニューラルネットワークによる回帰処理の性能評価に基づいて評価した。
論文 参考訳（メタデータ） (2024-01-19T16:34:37Z) - GOODAT: Towards Test-time Graph Out-of-Distribution Detection [103.40396427724667]
グラフニューラルネットワーク(GNN)は、さまざまな領域にわたるグラフデータのモデリングに広く応用されている。
近年の研究では、特定のモデルのトレーニングや、よく訓練されたGNN上でのデータ修正に重点を置いて、OOD検出のグラフを調査している。
本稿では、GNNアーキテクチャのトレーニングデータと修正から独立して動作する、データ中心、教師なし、プラグアンドプレイのソリューションを提案する。
論文 参考訳（メタデータ） (2024-01-10T08:37:39Z) - Bures-Wasserstein Means of Graphs [60.42414991820453]
本研究では,スムーズなグラフ信号分布の空間への埋め込みを通じて,グラフ平均を定義する新しいフレームワークを提案する。
この埋め込み空間において平均を求めることにより、構造情報を保存する平均グラフを復元することができる。
我々は,新しいグラフの意味の存在と特異性を確立し,それを計算するための反復アルゴリズムを提供する。
論文 参考訳（メタデータ） (2023-05-31T11:04:53Z) - Inducing Gaussian Process Networks [80.40892394020797]
本稿では,特徴空間と誘導点を同時に学習するシンプルなフレームワークであるGaussian Process Network (IGN)を提案する。
特に誘導点は特徴空間で直接学習され、複雑な構造化領域のシームレスな表現を可能にする。
実世界のデータセットに対する実験結果から,IGNは最先端の手法よりも大幅に進歩していることを示す。
論文 参考訳（メタデータ） (2022-04-21T05:27:09Z) - Towards Open-World Feature Extrapolation: An Inductive Graph Learning
Approach [80.8446673089281]
グラフ表現と学習を伴う新しい学習パラダイムを提案する。
本フレームワークは,1) 下位モデルとしてのバックボーンネットワーク(フィードフォワードニューラルネットなど)が,予測ラベルの入力および出力として機能を取り,2) 上位モデルとしてのグラフニューラルネットワークが,観測データから構築された特徴データグラフをメッセージパッシングすることで,新機能の埋め込みを外挿することを学ぶ。
論文 参考訳（メタデータ） (2021-10-09T09:02:45Z) - Anomaly Detection on Attributed Networks via Contrastive Self-Supervised
Learning [50.24174211654775]
本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。
このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。
高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
論文 参考訳（メタデータ） (2021-02-27T03:17:20Z) - A Unifying Generative Model for Graph Learning Algorithms: Label
Propagation, Graph Convolutions, and Combinations [39.8498896531672]
グラフに関する半教師付き学習は、ネットワーク科学と機械学習において広く適用可能な問題である。
我々は,ノード属性のデータ生成プロセスのためのマルコフ確率場モデルを開発した。
ラベル伝播,線形化グラフ畳み込みネットワーク,それらの組み合わせが条件付き期待値として導出できることを示す。
論文 参考訳（メタデータ） (2021-01-19T17:07:08Z) - Sparse Signal Models for Data Augmentation in Deep Learning ATR [0.8999056386710496]
ドメイン知識を取り入れ,データ集約学習アルゴリズムの一般化能力を向上させるためのデータ拡張手法を提案する。
本研究では,空間領域における散乱中心のスパース性とアジムタル領域における散乱係数の滑らかな変動構造を活かし,過パラメータモデルフィッティングの問題を解く。
論文 参考訳（メタデータ） (2020-12-16T21:46:33Z) - Dataset Meta-Learning from Kernel Ridge-Regression [18.253682891579402]
Kernel Inducing Points (KIP) はデータセットを1桁から2桁に圧縮することができる。
KIP学習データセットは、遅延学習体制を超えても有限幅ニューラルネットワークのトレーニングに転送可能である。
論文 参考訳（メタデータ） (2020-10-30T18:54:04Z) - Active Learning on Attributed Graphs via Graph Cognizant Logistic
Regression and Preemptive Query Generation [37.742218733235084]
本稿では,属性グラフにおけるノード分類処理のための新しいグラフベース能動学習アルゴリズムを提案する。
提案アルゴリズムは,線形化グラフ畳み込みニューラルネットワーク(GCN)と等価なグラフ認識ロジスティック回帰を用いて,予測フェーズの誤差低減を最大化する。
5つの公開ベンチマークデータセットで実験を行い、最先端のアプローチよりも大幅に改善されていることを示す。
論文 参考訳（メタデータ） (2020-07-09T18:00:53Z) - Data-Driven Factor Graphs for Deep Symbol Detection [107.63351413549992]
本稿では,因子グラフ法をデータ駆動方式で実装することを提案する。
特に,機械学習(ML)ツールを用いて因子グラフの学習を提案する。
我々は,BCJRNetと呼ばれる提案システムにおいて,BCJRアルゴリズムを小さなトレーニングセットから実装することを実証した。
論文 参考訳（メタデータ） (2020-01-31T09:23:52Z)
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。