論文の概要: AutoLC: Search Lightweight and Top-Performing Architecture for Remote
Sensing Image Land-Cover Classification
- arxiv url: http://arxiv.org/abs/2205.05369v1
- Date: Wed, 11 May 2022 09:30:36 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-12 17:15:55.401060
- Title: AutoLC: Search Lightweight and Top-Performing Architecture for Remote
Sensing Image Land-Cover Classification
- Title(参考訳): AutoLC:リモートセンシング画像ランドコーバー分類のための検索軽量化とトップパフォーマンスアーキテクチャ
- Authors: Chenyu Zheng, Junjue Wang, Ailong Ma, Yanfei Zhong
- Abstract要約: 土地被覆分類は、リモートセンシングコミュニティにおいて長年、ホットで難しい課題であった。
大規模な高分解能リモートセンシング(HRS)画像が利用可能であり、手動で自動設計された畳み込みニューラルネットワーク(CNN)は、近年、HRSの土地被覆分類において高い潜在能力を示している。
本稿では,2つの手法の利点を組み合わせたAutoLCを提案する。まず,階層的な探索空間を考案し,勾配に基づく探索戦略に基づく軽量エンコーダを得る。そして,検索したエンコーダに適応する軽量で高パフォーマンスなデコーダを慎重に設計する。
- 参考スコア(独自算出の注目度): 5.3431413737671525
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Land-cover classification has long been a hot and difficult challenge in
remote sensing community. With massive High-resolution Remote Sensing (HRS)
images available, manually and automatically designed Convolutional Neural
Networks (CNNs) have already shown their great latent capacity on HRS
land-cover classification in recent years. Especially, the former can achieve
better performance while the latter is able to generate lightweight
architecture. Unfortunately, they both have shortcomings. On the one hand,
because manual CNNs are almost proposed for natural image processing, it
becomes very redundant and inefficient to process HRS images. On the other
hand, nascent Neural Architecture Search (NAS) techniques for dense prediction
tasks are mainly based on encoder-decoder architecture, and just focus on the
automatic design of the encoder, which makes it still difficult to recover the
refined mapping when confronting complicated HRS scenes.
To overcome their defects and tackle the HRS land-cover classification
problems better, we propose AutoLC which combines the advantages of two
methods. First, we devise a hierarchical search space and gain the lightweight
encoder underlying gradient-based search strategy. Second, we meticulously
design a lightweight but top-performing decoder that is adaptive to the
searched encoder of itself. Finally, experimental results on the LoveDA
land-cover dataset demonstrate that our AutoLC method outperforms the
state-of-art manual and automatic methods with much less computational
consumption.
- Abstract(参考訳): 土地被覆分類は、リモートセンシングコミュニティにおいて、長い間ホットで困難な課題だった。
大規模な高分解能リモートセンシング(HRS)画像が利用可能であり、手動で自動設計された畳み込みニューラルネットワーク(CNN)は、近年、HRSの土地被覆分類において高い潜在能力を示している。
特に、前者は、軽量なアーキテクチャを生成できる間、より良いパフォーマンスを達成できる。
残念ながら、どちらも欠点があります。
一方,自然画像処理では手作業によるcnnがほぼ提案されているため,hrs画像の処理は非常に冗長で非効率になる。
一方,高密度予測タスクのためのニューラルアーキテクチャサーチ(NAS)技術は主にエンコーダ・デコーダアーキテクチャに基づいており,エンコーダの自動設計にのみ焦点をあてているため,複雑なHRSシーンに直面する場合の洗練されたマッピングの復元が依然として困難である。
それらの欠陥を克服し,HRSの土地被覆分類問題を改善するために,二つの手法の利点を組み合わせたAutoLCを提案する。
まず,階層型検索空間を考案し,勾配型検索戦略に基づく軽量エンコーダを得る。
第二に、検索したエンコーダ自体に適応する軽量だが高性能なデコーダを慎重に設計する。
最後に、LoveDAランドカバーデータセットの実験結果から、我々のAutoLC法は、非常に少ない計算量で、最先端のマニュアルおよび自動手法よりも優れていることを示した。
関連論文リスト
- SAFNet: Selective Alignment Fusion Network for Efficient HDR Imaging [14.466061918935937]
HDRイメージングのためのSAFNet(Selective Alignment Fusion Network)を提案する。
モデルは価値ある領域を見つけることに集中し、容易に検出可能で意味のある動きを推定する。
公開および新たに開発された挑戦的データセットの実験では、提案されたSAFNetは、以前のSOTAコンペティターを定量的かつ質的に上回るだけでなく、桁違いに高速に動作している。
論文 参考訳(メタデータ) (2024-07-23T09:02:35Z) - Improving Dual-Encoder Training through Dynamic Indexes for Negative
Mining [61.09807522366773]
本稿では,ソフトマックスを証明可能な境界で近似し,木を動的に維持するアルゴリズムを提案する。
我々は,2000万以上のターゲットを持つデータセットについて検討し,オラクル・ブルート力負の鉱業に関して,誤差を半分に削減した。
論文 参考訳(メタデータ) (2023-03-27T15:18:32Z) - LR-Net: A Block-based Convolutional Neural Network for Low-Resolution
Image Classification [0.0]
ノイズや低解像度の画像から低レベル特徴と大域特徴の両方を学習するためのブロックで構成された,新しい画像分類アーキテクチャを開発した。
ブロックの設計は,性能向上とパラメータサイズ削減のために,Residual ConnectionとInceptionモジュールの影響を強く受けていた。
我々は、提示されたアーキテクチャが既存の最先端畳み込みニューラルネットワークよりも高速で正確であることを示す詳細なテストを実施した。
論文 参考訳(メタデータ) (2022-07-19T20:01:11Z) - FlowNAS: Neural Architecture Search for Optical Flow Estimation [65.44079917247369]
本研究では,フロー推定タスクにおいて,より優れたエンコーダアーキテクチャを自動で見つけるために,FlowNASというニューラルアーキテクチャ探索手法を提案する。
実験の結果、スーパーネットワークから受け継いだ重み付きアーキテクチャは、KITTI上で4.67%のF1-allエラーを達成していることがわかった。
論文 参考訳(メタデータ) (2022-07-04T09:05:25Z) - Ultra Fast Deep Lane Detection with Hybrid Anchor Driven Ordinal
Classification [13.735482211178931]
本稿では,超高速を実現するための新しい,シンプルで効果的な定式化法と,挑戦シナリオの課題を提案する。
具体的には,大域的特徴を用いたアンカー駆動型順序分類問題として,車線検出のプロセスを扱う。
提案手法は,速度と精度の両面で最先端の性能を実現することができる。
論文 参考訳(メタデータ) (2022-06-15T08:53:02Z) - SAR Despeckling Using Overcomplete Convolutional Networks [53.99620005035804]
スペックルはSAR画像を劣化させるため、リモートセンシングにおいて重要な問題である。
近年の研究では、畳み込みニューラルネットワーク(CNN)が古典的解法よりも優れていることが示されている。
本研究は、受容場を制限することで低レベルの特徴を学習することに集中するために、過剰なCNNアーキテクチャを用いる。
本稿では,合成および実SAR画像の非特定化手法と比較して,提案手法により非特定化性能が向上することを示す。
論文 参考訳(メタデータ) (2022-05-31T15:55:37Z) - A Novel Sleep Stage Classification Using CNN Generated by an Efficient
Neural Architecture Search with a New Data Processing Trick [4.365107026636095]
本稿では,畳み込みニューラルネットワーク(CNN)を用いた新しいデータ処理手法を用いて,効率的な5ステップの分類手法を提案する。
我々は、遺伝的アルゴリズム(GA)NASGを最大限に活用して、最高のCNNアーキテクチャを探索する。
我々は,データ処理トリックの収束性を検証するとともに,従来のCNNの性能をそのトリックの前後で比較する。
論文 参考訳(メタデータ) (2021-10-27T10:36:52Z) - Small Lesion Segmentation in Brain MRIs with Subpixel Embedding [105.1223735549524]
ヒト脳のMRIスキャンを虚血性脳梗塞と正常組織に分割する方法を提案する。
本稿では,空間展開埋め込みネットワークによって予測を導出する標準エンコーダデコーダの形式でニューラルネットワークアーキテクチャを提案する。
論文 参考訳(メタデータ) (2021-09-18T00:21:17Z) - Over-and-Under Complete Convolutional RNN for MRI Reconstruction [57.95363471940937]
MR画像再構成のための最近のディープラーニングに基づく手法は、通常、汎用的なオートエンコーダアーキテクチャを利用する。
OUCR(Over-and-Under Complete Convolu?tional Recurrent Neural Network)を提案する。
提案手法は, トレーニング可能なパラメータの少ない圧縮されたセンシングと, 一般的なディープラーニングに基づく手法に対して, 大幅な改善を実現する。
論文 参考訳(メタデータ) (2021-06-16T15:56:34Z) - PV-NAS: Practical Neural Architecture Search for Video Recognition [83.77236063613579]
ビデオタスクのためのディープニューラルネットワークは高度にカスタマイズされており、そのようなネットワークの設計にはドメインの専門家と高価な試行錯誤テストが必要である。
ネットワークアーキテクチャ検索の最近の進歩により、画像認識性能は大幅に向上した。
本研究では,実用的ビデオニューラルアーキテクチャ探索(PV-NAS)を提案する。
論文 参考訳(メタデータ) (2020-11-02T08:50:23Z)
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。