論文の概要: Volumetric Supervised Contrastive Learning for Seismic Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2206.08158v1
• Date: Thu, 16 Jun 2022 13:20:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-18 01:52:29.768166
• Title: Volumetric Supervised Contrastive Learning for Seismic Semantic Segmentation
• Title（参考訳）: 音量教師付きコントラスト学習による地震セマンティクスセグメンテーション
• Authors: Kiran Kokilepersaud and Mohit Prabhushankar and Ghassan AlRegib
• Abstract要約: 地震の解釈では、様々な岩体のピクセルレベルラベルは時間と費用がかかる。 従来のディープラーニング手法は、完全なラベル付きボリュームへのアクセスに依存している。 本研究では,本手法の学習表現が,意味的セグメンテーションタスクにおいて,芸術的コントラスト学習手法の状況よりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 15.510581400494207
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In seismic interpretation, pixel-level labels of various rock structures can be time-consuming and expensive to obtain. As a result, there oftentimes exists a non-trivial quantity of unlabeled data that is left unused simply because traditional deep learning methods rely on access to fully labeled volumes. To rectify this problem, contrastive learning approaches have been proposed that use a self-supervised methodology in order to learn useful representations from unlabeled data. However, traditional contrastive learning approaches are based on assumptions from the domain of natural images that do not make use of seismic context. In order to incorporate this context within contrastive learning, we propose a novel positive pair selection strategy based on the position of slices within a seismic volume. We show that the learnt representations from our method out-perform a state of the art contrastive learning methodology in a semantic segmentation task.
• Abstract（参考訳）: 地震の解釈では、様々な岩石構造のピクセルレベルラベルは、時間と費用がかかる。 結果として、従来のディープラーニング手法が完全なラベル付きボリュームへのアクセスに依存しているため、ラベル付きデータの非自明な量が存在することがよくある。 この問題を正すために,ラベルなしデータから有用な表現を学ぶために,自己教師あり手法を用いたコントラスト学習手法が提案されている。 しかし、伝統的なコントラスト学習アプローチは、地震の文脈を使用しない自然画像の領域からの仮定に基づいている。 この文脈をコントラスト学習に取り入れるために,地震体積内のスライスの位置に基づく新しい正のペア選択戦略を提案する。 本手法の学習表現は,セマンティックセグメンテーションタスクにおいて,芸術的コントラスト学習方法論の状態を上回っていることを示す。

関連論文リスト

• The Impact of Semi-Supervised Learning on Line Segment Detection [11.636855122196323]
  本稿では,半教師付きフレームワークを用いた画像中の線分検出手法を提案する。 完全教師付き手法に匹敵する結果を示す。 本手法は,半教師付き学習のための近代的最先端手法を用いて,まず線検出を目標とすることを目的としている。
  論文  参考訳（メタデータ） (2024-11-07T10:28:11Z)
• Clustering-friendly Representation Learning for Enhancing Salient Features [2.184775414778289]
  本稿では、下流タスクとして教師なし画像クラスタリングに焦点を当てる。 クラスタリングフレンドリーなコントラスト学習手法を拡張し,コントラスト分析手法を取り入れた。 すべてのデータセットに対して,従来のコントラスト解析やディープクラスタリング手法と比較して,高いクラスタリングスコアを達成する。
  論文  参考訳（メタデータ） (2024-08-09T06:27:19Z)
• Learning with Complementary Labels Revisited: The Selected-Completely-at-Random Setting Is More Practical [66.57396042747706]
  補完ラベル学習は、弱教師付き学習問題である。 均一分布仮定に依存しない一貫したアプローチを提案する。 相補的なラベル学習は、負のラベル付きバイナリ分類問題の集合として表現できる。
  論文  参考訳（メタデータ） (2023-11-27T02:59:17Z)
• Compensation Learning in Semantic Segmentation [22.105356244579745]
  本研究では,曖昧さとラベルノイズを識別・補償するフレームワークであるセマンティックスケープにおける補償学習を提案する。 ニューラルネットワークに新たな不確実性分岐を導入し、関連する領域にのみ補償バイアスを誘導する。 提案手法は最先端のセグメンテーションフレームワークに応用され,いくつかの実験により,提案手法がクラス間関係を学習することを示す。
  論文  参考訳（メタデータ） (2023-04-26T10:26:11Z)
• Learning Representations for New Sound Classes With Continual Self-Supervised Learning [30.35061954854764]
  本稿では,新しい音響クラスのための表現を継続的に学習するための自己教師型学習フレームワークを提案する。 提案手法を用いて学習した表現は,より一般化され,破滅的な忘れ込みに対する感受性が低いことを示す。
  論文  参考訳（メタデータ） (2022-05-15T22:15:21Z)
• Voxel-wise Adversarial Semi-supervised Learning for Medical Image Segmentation [4.489713477369384]
  医用画像セグメンテーションのための新しい対向学習に基づく半教師付きセグメンテーション手法を提案する。 本手法では,複数の階層から局所的特徴とグローバルな特徴を埋め込んで,複数のクラス間のコンテキスト関係を学習する。 左心房(シングルクラス)とマルチオーガニックデータセット(マルチクラス)のイメージセグメンテーションにおける、最先端の半教師あり学習手法よりも優れています。
  論文  参考訳（メタデータ） (2022-05-14T06:57:19Z)
• Dense Contrastive Visual-Linguistic Pretraining [53.61233531733243]
  画像とテキストを共同で表現するマルチモーダル表現学習手法が提案されている。 これらの手法は,大規模マルチモーダル事前学習から高レベルな意味情報を取得することにより,優れた性能を実現する。 そこで本稿では,非バイアスのDense Contrastive Visual-Linguistic Pretrainingを提案する。
  論文  参考訳（メタデータ） (2021-09-24T07:20:13Z)
• Region-level Active Learning for Cluttered Scenes [60.93811392293329]
  本稿では,従来の画像レベルのアプローチとオブジェクトレベルのアプローチを一般化した領域レベルのアプローチに仮定する新たな戦略を提案する。 その結果,本手法はラベル付けの労力を大幅に削減し,クラス不均衡や散らかったシーンを生かしたリアルなデータに対する希少なオブジェクト検索を改善することが示唆された。
  論文  参考訳（メタデータ） (2021-08-20T14:02:38Z)
• Deep Clustering by Semantic Contrastive Learning [67.28140787010447]
  Semantic Contrastive Learning (SCL) と呼ばれる新しい変種を紹介します。 従来のコントラスト学習とディープクラスタリングの両方の特徴を探求する。 コントラスト学習と深層クラスタリングの強みを統一的なアプローチで増幅することができる。
  論文  参考訳（メタデータ） (2021-03-03T20:20:48Z)
• Robust Imitation Learning from Noisy Demonstrations [81.67837507534001]
  我々は,対称的損失を伴う分類リスクを最適化することにより,ロバストな模倣学習を実現することができることを示す。 擬似ラベルと協調学習を効果的に組み合わせた新しい模倣学習法を提案する。 連続制御ベンチマークによる実験結果から,本手法は最先端手法よりも頑健であることがわかった。
  論文  参考訳（メタデータ） (2020-10-20T10:41:37Z)
• Region Comparison Network for Interpretable Few-shot Image Classification [97.97902360117368]
  新しいクラスのモデルをトレーニングするために、ラベル付きサンプルの限られた数だけを効果的に活用するための画像分類が提案されている。 本研究では,領域比較ネットワーク (RCN) と呼ばれる距離学習に基づく手法を提案する。 また,タスクのレベルからカテゴリへの解釈可能性の一般化も提案する。
  論文  参考訳（メタデータ） (2020-09-08T07:29:05Z)

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。