Fugu-MT 論文翻訳(概要): Self Supervised Learning for Few Shot Hyperspectral Image Classification

論文の概要: Self Supervised Learning for Few Shot Hyperspectral Image Classification

arxiv url: http://arxiv.org/abs/2206.12117v1
Date: Fri, 24 Jun 2022 07:21:53 GMT
ステータス: 処理完了
システム内更新日: 2022-06-27 13:01:12.417387
Title: Self Supervised Learning for Few Shot Hyperspectral Image Classification
Title（参考訳）: ショットハイパースペクトル画像分類のための自己教師付き学習
Authors: Nassim Ait Ali Braham, Lichao Mou, Jocelyn Chanussot, Julien Mairal, Xiao Xiang Zhu
Abstract要約: HSI分類に自己監督学習(SSL)を活用することを提案する。最先端のSSLアルゴリズムであるBarlow-Twinsを用いて,ラベルのない画素にエンコーダを事前学習することにより,少数のラベルを持つ正確なモデルが得られることを示す。
参考スコア（独自算出の注目度）: 57.2348804884321
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Deep learning has proven to be a very effective approach for Hyperspectral Image (HSI) classification. However, deep neural networks require large annotated datasets to generalize well. This limits the applicability of deep learning for HSI classification, where manually labelling thousands of pixels for every scene is impractical. In this paper, we propose to leverage Self Supervised Learning (SSL) for HSI classification. We show that by pre-training an encoder on unlabeled pixels using Barlow-Twins, a state-of-the-art SSL algorithm, we can obtain accurate models with a handful of labels. Experimental results demonstrate that this approach significantly outperforms vanilla supervised learning.
Abstract（参考訳）: ディープラーニングは、ハイパースペクトル画像(HSI)分類において非常に効果的なアプローチであることが証明されている。しかし、ディープニューラルネットワークは、うまく一般化するために大きな注釈付きデータセットを必要とする。これによりhsi分類におけるディープラーニングの適用性が制限され、各シーンに数千ピクセルを手作業でラベル付けすることは現実的ではない。本稿では,HSI分類における自己監督学習(SSL)の利用を提案する。最先端のSSLアルゴリズムであるBarlow-Twinsを用いて,ラベルのない画素にエンコーダを事前学習することにより,少数のラベルを持つ正確なモデルが得られることを示す。実験の結果,このアプローチはバニラ指導学習を有意に上回ることがわかった。

関連論文リスト

Deep Active Learning Using Barlow Twins [0.0]
畳み込みニューラルネットワーク(CNN)の一般化性能は、トレーニング画像の量、品質、多様性に大きく左右される。タスクのアクティブラーニングの目標は、ラベルのないプールから最も情報に富んだサンプルを引き出すことである。本稿では,すべてのデータセットに対する能動的学習手法であるBarlowTwins(DALBT)を用いたDeep Active Learningを提案する。
論文参考訳（メタデータ） (2022-12-30T12:39:55Z)
Self-Supervised PPG Representation Learning Shows High Inter-Subject Variability [3.8036939971290007]
本稿では,信号再構成を前提とした自己教師付き学習(SSL)手法を提案し,汎用的なPSG表現を学習する。結果として、SSLを使用するラベルデータ設定(クラス毎に10のサンプル)が非常に限定されていることが分かる。 SSLは、ラベルスカースレジームにおけるPSGデータに機械学習モデルが広く使われるための道を開くかもしれない。
論文参考訳（メタデータ） (2022-12-07T19:02:45Z)
Can semi-supervised learning reduce the amount of manual labelling required for effective radio galaxy morphology classification? [0.0]
SSLが、ラベル付きデータポイントの数が少ない場合に、現在の監督状態に匹敵するパフォーマンスを達成できるかどうかをテストする。 SSLはさらなるレギュラー化を提供するが、非常に少ないラベルを使用すると性能が急速に低下する。
論文参考訳（メタデータ） (2021-11-08T09:36:48Z)
Mixed Supervision Learning for Whole Slide Image Classification [88.31842052998319]
超高解像度画像のための混合監視学習フレームワークを提案する。パッチトレーニングの段階では、このフレームワークは、粗いイメージレベルのラベルを使用して、自己教師付き学習を洗練することができる。画素レベルの偽陽性と偽陰性を抑制するための包括的な戦略が提案されている。
論文参考訳（メタデータ） (2021-07-02T09:46:06Z)
SCARF: Self-Supervised Contrastive Learning using Random Feature Corruption [72.35532598131176]
本稿では,特徴のランダムなサブセットを乱してビューを形成するコントラスト学習手法であるSCARFを提案する。 SCARFは既存の戦略を補完し、オートエンコーダのような代替手段より優れていることを示す。
論文参考訳（メタデータ） (2021-06-29T08:08:33Z)
Deep Active Learning for Joint Classification & Segmentation with Weak Annotator [22.271760669551817]
クラスアクティベーションマップ(CAM)のようなCNNの可視化と解釈手法は、一般的に、クラス予測に関連する画像領域を強調するために使用される。本稿では,画素レベルのアノテーションを段階的に統合する能動的学習フレームワークを提案する。提案手法は, ランダムなサンプル選択を用いることで, 最先端のCAMやAL手法よりも優れた性能を示すことを示す。
論文参考訳（メタデータ） (2020-10-10T03:25:54Z)
Remote Sensing Image Scene Classification with Self-Supervised Paradigm under Limited Labeled Samples [11.025191332244919]
我々は,大規模なラベル付きデータからRSIシーン分類のための高性能事前学習モデルを得るために,新たな自己教師付き学習(SSL)機構を導入する。一般的な3つのRSIシーン分類データセットの実験により、この新たな学習パラダイムは、従来の支配的なImageNet事前学習モデルよりも優れていることが示された。我々の研究から得られた知見は、リモートセンシングコミュニティにおけるSSLの発展を促進するのに役立ちます。
論文参考訳（メタデータ） (2020-10-02T09:27:19Z)
Attention-Aware Noisy Label Learning for Image Classification [97.26664962498887]
大規模ラベル付きサンプルで学習した深層畳み込みニューラルネットワーク(CNN)は、コンピュータビジョンにおいて顕著な進歩を遂げている。大量のラベル付きビジュアルデータを取得する最も安価な方法は、Flickrのようなユーザーが提供するラベルでウェブサイトからクロールすることである。本稿では,潜在的なラベルノイズのあるデータセットに基づいて学習したネットワークの識別能力を向上させるために,注目に敏感なラベル学習手法を提案する。
論文参考訳（メタデータ） (2020-09-30T15:45:36Z)
SCAN: Learning to Classify Images without Labels [73.69513783788622]
機能学習とクラスタリングを分離する2段階のアプローチを提唱する。表現学習からの自己教師型タスクを用いて意味論的意味のある特徴を得る。我々は、ImageNet上で有望な結果を得、低データ体制下では、いくつかの半教師付き学習方法より優れています。
論文参考訳（メタデータ） (2020-05-25T18:12:33Z)
AdarGCN: Adaptive Aggregation GCN for Few-Shot Learning [112.95742995816367]
FSFSLと呼ばれる新しい数発のスナップショット・ラーニング・セッティングを提案する。 FSFSLでは、ソースクラスとターゲットクラスの両方に限られたトレーニングサンプルがある。また,無関係な画像を削除するためのグラフ畳み込みネットワーク (GCN) ベースのラベルデノイング (LDN) 手法を提案する。
論文参考訳（メタデータ） (2020-02-28T10:34:36Z)

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。