論文の概要: Optical Remote Sensing Image Understanding with Weak Supervision:
Concepts, Methods, and Perspectives
- arxiv url: http://arxiv.org/abs/2204.09120v1
- Date: Mon, 18 Apr 2022 09:23:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-21 14:51:50.353420
- Title: Optical Remote Sensing Image Understanding with Weak Supervision:
Concepts, Methods, and Perspectives
- Title（参考訳）: 弱視による光リモートセンシング画像理解:概念・方法・展望
- Authors: Jun Yue, Leyuan Fang, Pedram Ghamisi, Weiying Xie, Jun Li, Jocelyn
Chanussot, Antonio J Plaza
- Abstract要約: 実用的なリモートセンシングアプリケーションでは、高品質なラベル付き大規模データセットを得るのに高価で時間がかかることが多い。
本稿では,リモートセンシング分野における弱教師付き学習の進歩について要約する。
- 参考スコア（独自算出の注目度）: 39.51712964370441
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In recent years, supervised learning has been widely used in various tasks of
optical remote sensing image understanding, including remote sensing image
classification, pixel-wise segmentation, change detection, and object
detection. The methods based on supervised learning need a large amount of
high-quality training data and their performance highly depends on the quality
of the labels. However, in practical remote sensing applications, it is often
expensive and time-consuming to obtain large-scale data sets with high-quality
labels, which leads to a lack of sufficient supervised information. In some
cases, only coarse-grained labels can be obtained, resulting in the lack of
exact supervision. In addition, the supervised information obtained manually
may be wrong, resulting in a lack of accurate supervision. Therefore, remote
sensing image understanding often faces the problems of incomplete, inexact,
and inaccurate supervised information, which will affect the breadth and depth
of remote sensing applications. In order to solve the above-mentioned problems,
researchers have explored various tasks in remote sensing image understanding
under weak supervision. This paper summarizes the research progress of weakly
supervised learning in the field of remote sensing, including three typical
weakly supervised paradigms: 1) Incomplete supervision, where only a subset of
training data is labeled; 2) Inexact supervision, where only coarse-grained
labels of training data are given; 3) Inaccurate supervision, where the labels
given are not always true on the ground.
- Abstract（参考訳）: 近年、教師付き学習は、リモートセンシング画像分類、画素単位の分割、変化検出、物体検出など、光学的リモートセンシング画像理解の様々なタスクで広く使われている。
教師あり学習に基づく手法では,高品質なトレーニングデータが必要であり,その性能はラベルの品質に大きく依存する。
しかし、実際のリモートセンシングアプリケーションでは、高品質なラベル付き大規模データセットを得るのに高価で時間がかかることが多く、十分な教師付き情報が不足している。
一部のケースでは、粗粒のラベルしか得られず、正確な監督が欠如している。
さらに、手作業で得られる監視情報は誤りであり、正確な監視が欠如している可能性がある。
したがって、リモートセンシング画像理解は、しばしば不完全、不完全、不正確な教師付き情報の問題に直面し、リモートセンシングアプリケーションの幅と深さに影響を与える。
上記の問題を解決するため、研究者は弱い監督下でのリモートセンシング画像理解における様々なタスクを探求した。
本稿では,リモートセンシングの分野における弱教師付き学習の研究の進展を概説する。
1) トレーニングデータのサブセットのみをラベル付けした不完全な監督
2 訓練データの粗細なラベルのみを付与する非実例の監督
3) 与えられたラベルが必ずしも地上で真とは限らないような不正確な監督。
関連論文リスト
- Unsupervised learning based object detection using Contrastive Learning [6.912349403119665]
本研究では,教師なし・自己教師型学習を通じて,単段階物体検出装置を訓練するための画期的な手法を提案する。
我々の最先端のアプローチはラベリングプロセスに革命をもたらす可能性を秘めており、手動アノテーションに関連する時間とコストを大幅に削減する。
我々は、画像間のコントラスト学習という概念を創始し、重要な位置情報の取得を可能にした。
論文 参考訳（メタデータ） (2024-02-21T01:44:15Z) - Defect detection using weakly supervised learning [1.4321190258774352]
近年,従来の教師あり学習の代替手段として,弱教師あり学習技術が注目されている。
本稿では,欠陥検出作業において,弱教師付き分類器と完全教師付き分類器の性能を比較した。
論文 参考訳（メタデータ） (2023-03-27T11:01:16Z) - 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) - Mixed supervision for surface-defect detection: from weakly to fully
supervised learning [5.69361786082969]
本研究では,教師あり学習手法の重い要件を緩和し,高度に詳細なアノテーションの必要性を低減した。
ディープラーニングアーキテクチャを提案することにより、混合監視による弱い(画像レベル)ラベルから表面欠陥検出タスクの完全な(ピクセルレベル)アノテーションまで、さまざまな詳細のアノテーションの使用を検討する。
提案手法は,すべての関連手法を完全監督設定で上回るとともに,画像レベルラベルのみを利用可能な場合の弱監督方式を上回る。
論文 参考訳（メタデータ） (2021-04-13T10:00:10Z) - Streaming Self-Training via Domain-Agnostic Unlabeled Images [62.57647373581592]
視覚認識モデル学習の過程を民主化することを目的としたストリーミング自己学習(SST)を提案する。
SSTの鍵となるのは、(1)ドメインに依存しない未ラベル画像により、追加の知識や監督なしにいくつかのラベル付き例でより良いモデルを学ぶことができ、(2)学習は継続的なプロセスであり、学習更新のスケジュールを構築することで行うことができる。
論文 参考訳（メタデータ） (2021-04-07T17:58:39Z) - Seasonal Contrast: Unsupervised Pre-Training from Uncurated Remote
Sensing Data [64.40187171234838]
季節的コントラスト(SeCo)は、リモートセンシング表現のドメイン内事前トレーニングにラベルのないデータを活用するための効果的なパイプラインである。
SeCoは、転送学習を容易にし、再リモートセンシングアプリケーションの急速な進歩を可能にするために公開されます。
論文 参考訳（メタデータ） (2021-03-30T18:26:39Z) - Data-Uncertainty Guided Multi-Phase Learning for Semi-Supervised Object
Detection [66.10057490293981]
半監視対象検出のためのデータ不確実性誘導多相学習法を提案する。
本手法は,ベースライン手法と比較して異常に動作し,大きなマージンで性能を向上する。
論文 参考訳（メタデータ） (2021-03-29T09:27:23Z) - Unsupervised Object Detection with LiDAR Clues [70.73881791310495]
本稿では,LiDARの手がかりを用いた非教師対象検出のための最初の実用的手法を提案する。
提案手法では,まず3次元点雲に基づく候補オブジェクトセグメントを生成する。
そして、セグメントラベルを割り当て、セグメントラベルネットワークを訓練する反復的なセグメントラベル処理を行う。
ラベル付けプロセスは、長い尾とオープンエンドの分布の問題を軽減するために慎重に設計されている。
論文 参考訳（メタデータ） (2020-11-25T18:59:54Z) - Laplacian Denoising Autoencoder [114.21219514831343]
本稿では,新しいタイプの自動符号化器を用いてデータ表現を学習することを提案する。
勾配領域における潜伏クリーンデータを破損させて雑音入力データを生成する。
いくつかのビジュアルベンチマークの実験では、提案されたアプローチでより良い表現が学べることが示されている。
論文 参考訳（メタデータ） (2020-03-30T16:52:39Z)
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。