論文の概要: Semi-Supervised Learning for Mars Imagery Classification and Segmentation

• arxiv url: http://arxiv.org/abs/2206.02180v1
• Date: Sun, 5 Jun 2022 13:55:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-09 12:12:28.373353
• Title: Semi-Supervised Learning for Mars Imagery Classification and Segmentation
• Title（参考訳）: 火星画像分類とセグメンテーションのための半教師付き学習
• Authors: Wenjing Wang, Lilang Lin, Zejia Fan, Jiaying Liu
• Abstract要約: 火星における機械ビジョンのための半教師付きフレームワークについて紹介する。 分類とセグメンテーションという2つの特定の課題を解決しようと試みている。 我々の学習戦略は、分類とセグメンテーションモデルを大幅に改善し、最先端のアプローチより優れている。
• 参考スコア（独自算出の注目度）: 35.103989798891476
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With the progress of Mars exploration, numerous Mars image data are collected and need to be analyzed. However, due to the imbalance and distortion of Martian data, the performance of existing computer vision models is unsatisfactory. In this paper, we introduce a semi-supervised framework for machine vision on Mars and try to resolve two specific tasks: classification and segmentation. Contrastive learning is a powerful representation learning technique. However, there is too much information overlap between Martian data samples, leading to a contradiction between contrastive learning and Martian data. Our key idea is to reconcile this contradiction with the help of annotations and further take advantage of unlabeled data to improve performance. For classification, we propose to ignore inner-class pairs on labeled data as well as neglect negative pairs on unlabeled data, forming supervised inter-class contrastive learning and unsupervised similarity learning. For segmentation, we extend supervised inter-class contrastive learning into an element-wise mode and use online pseudo labels for supervision on unlabeled areas. Experimental results show that our learning strategies can improve the classification and segmentation models by a large margin and outperform state-of-the-art approaches.
• Abstract（参考訳）: 火星探査の進展に伴い、多くの火星画像データが収集され、分析される必要がある。 しかし、火星データの不均衡と歪みのため、既存のコンピュータビジョンモデルの性能は不満足である。 本稿では,火星の機械ビジョンのための半教師付きフレームワークを導入し,分類とセグメンテーションという2つのタスクを解決しようとする。 コントラスト学習は強力な表現学習技術である。 しかし、火星のデータサンプル間には情報が重なりすぎており、対照的な学習と火星のデータの間に矛盾が生じている。 私たちの重要なアイデアは、アノテーションの助けを借りてこの矛盾を解消し、ラベルのないデータを利用してパフォーマンスを改善することです。 分類のために,ラベル付きデータでは内部クラスペアを無視し,ラベル付きデータでは否定ペアを無視し,教師付きクラス間コントラスト学習と教師なし類似性学習を形成する。 セグメンテーションでは、教師付きクラス間コントラスト学習を要素ワイズモードに拡張し、ラベルなし領域の監視にオンライン擬似ラベルを使用する。 実験結果から,我々の学習戦略は,分類モデルとセグメンテーションモデルを大幅に改善し,最先端のアプローチより優れていることが示された。

関連論文リスト

• Learning from Unlabelled Data with Transformers: Domain Adaptation for Semantic Segmentation of High Resolution Aerial Images [30.324252605889356]
  我々は,未ラベル画像のセマンティックセグメンテーションのための新しいモデルを開発した。 NEOSは、ターゲットドメインが基底真理セマンティックセグメンテーションマスクを持っていないため、ドメイン適応を行う。 ターゲットドメインとソースドメイン間の不整合は、取得シーン、環境条件、センサー、時間の違いに起因する。
  論文  参考訳（メタデータ） (2024-04-17T12:12:48Z)
• Virtual Category Learning: A Semi-Supervised Learning Method for Dense Prediction with Extremely Limited Labels [63.16824565919966]
  本稿では,ラベルの修正を伴わずに,混乱したサンプルを積極的に使用することを提案する。 仮想カテゴリー(VC)は、モデルの最適化に安全に貢献できるように、各混乱したサンプルに割り当てられる。 私たちの興味深い発見は、密集した視覚タスクにおけるVC学習の利用に注目しています。
  論文  参考訳（メタデータ） (2023-12-02T16:23:52Z)
• Bridging the Gap: Learning Pace Synchronization for Open-World Semi-Supervised Learning [44.91863420044712]
  オープンワールドの半教師付き学習において、機械学習モデルはラベルなしのデータから新しいカテゴリを明らかにすることを任務とする。 本稿では,(1)モデル偏差を軽減するためにクラス固有の負のマージンを課するアダプティブ・コミュニケート・ラミナル・ロス,(2)モデルによって予測される擬似ラベルを利用した擬似ラベル・コントラッシブ・クラスタリングについて紹介する。 本手法は,授業の学習速度のバランスを保ち,画像Netデータセットの平均精度を3%向上させる。
  論文  参考訳（メタデータ） (2023-09-21T09:44:39Z)
• Improving Contrastive Learning on Visually Homogeneous Mars Rover Images [3.206547922373737]
  我々は、何十万もの未ラベルの火星地形画像に対して、対照的な学習が適用可能であることを示す。 対照的な学習は、任意の一対の異なる画像が異なる意味的内容を含んでいると仮定する。 1) 類似したセマンティックコンテンツを含む画像のクラスタを識別し,トレーニング中に偽陰性エラーを補正する,2) 異なる領域からのデータを混合して,トレーニングデータセット全体の視覚的多様性を高める,という,教師なしのディープクラスタリングステップを提案する。
  論文  参考訳（メタデータ） (2022-10-17T16:26:56Z)
• S$^{5}$Mars: Semi-Supervised Learning for Mars Semantic Segmentation [18.92602724896845]
  火星のセマンティックセグメンテーションは、ローバーの自律計画と安全な運転の基盤である重要な火星ビジョンタスクである。 優れたモデルを得るためには、ほとんどのディープラーニングメソッドが正確に要求する、十分な詳細かつ高信頼のデータアノテーションが欠如している。 本稿では,共同データと手法設計の観点からその解決策を提案する。 実験結果から,本手法は最先端のSSL手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2022-07-04T05:03:10Z)
• GuidedMix-Net: Semi-supervised Semantic Segmentation by Using Labeled Images as Reference [90.5402652758316]
  半教師付きセマンティックセマンティックセグメンテーションのための新しい手法である GuidedMix-Net を提案する。 ラベル付き情報を使用して、ラベルなしのインスタンスの学習をガイドする。 競合セグメンテーションの精度を達成し、mIoUを以前のアプローチに比べて+7$%大きく改善する。
  論文  参考訳（メタデータ） (2021-12-28T06:48:03Z)
• GuidedMix-Net: Learning to Improve Pseudo Masks Using Labeled Images as Reference [153.354332374204]
  半教師付きセマンティックセマンティックセグメンテーションのための新しい手法である GuidedMix-Net を提案する。 まず、ラベル付きデータとラベルなしデータの間に特徴アライメントの目的を導入し、類似した画像対をキャプチャする。 MITransは、ラベルなしデータのさらなるプログレッシブな精細化のための強力な知識モジュールであることが示されている。 ラベル付きデータに対する教師付き学習とともに、ラベル付きデータの予測が生成した擬似マスクとともに学習される。
  論文  参考訳（メタデータ） (2021-06-29T02:48:45Z)
• Towards Cross-Granularity Few-Shot Learning: Coarse-to-Fine Pseudo-Labeling with Visual-Semantic Meta-Embedding [13.063136901934865]
  少ないショットラーニングは、テスト時に少数のサンプルしか持たない、新しいカテゴリに迅速に適応することを目的としている。 本稿では,より困難なシナリオ,すなわちクロスグラニュラリティ・グラニュラリティ・グラニュラティヴ・グラニュラティヴ・グラニュラティヴ・グラニュラティヴ・グラニュラティヴ・グラニュラティヴ・グラニュラティヴ・グラニュラティヴ・グラニュラティヴ・グラニュラティヴ・グラニュラティヴ・グラニュラティヴ・グラニュラティヴ・グラニュラティヴ・グラニュラティヴ・グラニュラティヴ・グラニュラティヴ・グラニュラ 画像埋め込みの類似性に応じて,各粗いクラスを擬似微細クラスにグリーディクラスタリングすることで,詳細なデータ分布を近似する。
  論文  参考訳（メタデータ） (2020-07-11T03:44:21Z)
• Adversarial Self-Supervised Contrastive Learning [62.17538130778111]
  既存の対数学習アプローチは、主にクラスラベルを使用して、誤った予測につながる対数サンプルを生成する。 本稿では,未ラベルデータに対する新たな逆攻撃を提案する。これにより,モデルが摂動データサンプルのインスタンスレベルのアイデンティティを混乱させる。 ラベル付きデータなしで頑健なニューラルネットワークを逆さまにトレーニングするための,自己教師付きコントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-13T08:24:33Z)
• Automatically Discovering and Learning New Visual Categories with Ranking Statistics [145.89790963544314]
  我々は,他のクラスをラベル付けした画像コレクションにおいて,新しいクラスを発見する問題に対処する。 汎用クラスタリングモデルを学び、後者を用いて、非競合データ中の新しいクラスを識別する。 我々は,標準分類ベンチマークに対するアプローチと,新しいカテゴリー発見法の性能を,有意なマージンで評価した。
  論文  参考訳（メタデータ） (2020-02-13T18:53:32Z)

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。