Fugu-MT 論文翻訳(概要): S$^{5}$Mars: Self-Supervised and Semi-Supervised Learning for Mars Segmentation

論文の概要: S$^{5}$Mars: Self-Supervised and Semi-Supervised Learning for Mars Segmentation

arxiv url: http://arxiv.org/abs/2207.01200v1
Date: Mon, 4 Jul 2022 05:03:10 GMT
ステータス: 処理完了
システム内更新日: 2022-07-05 15:19:50.659543
Title: S$^{5}$Mars: Self-Supervised and Semi-Supervised Learning for Mars Segmentation
Title（参考訳）: S$^{5}$Mars: 火星セグメンテーションのための自己監督型半監督型学習
Authors: Jiahang Zhang, Lilang Lin, Zejia Fan, Wenjing Wang, Jiaying Liu
Abstract要約: 本稿では,火星の地形区分のための表現学習フレームワークを提案する。自己教師付き学習のために,マスク付き画像モデリング(MIM)の概念に基づくマルチタスク機構を設計する。半教師付き学習では、擬似ラベルをオンラインで生成・活用することにより、各画像の未ラベル領域の情報の発掘を奨励する。
参考スコア（独自算出の注目度）: 32.13391147217562
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Deep learning has become a powerful tool for Mars exploration. Mars terrain segmentation is an important Martian vision task, which is the base of rover autonomous planning and safe driving. However, existing deep-learning-based terrain segmentation methods face two problems: one is the lack of sufficient detailed and high-confidence annotations, and the other is the over-reliance of models on annotated training data. In this paper, we address these two problems from the perspective of joint data and method design. We first present a new Mars terrain segmentation dataset which contains 6K high-resolution images and is sparsely annotated based on confidence, ensuring the high quality of labels. Then to learn from this sparse data, we propose a representation-learning-based framework for Mars terrain segmentation, including a self-supervised learning stage (for pre-training) and a semi-supervised learning stage (for fine-tuning). Specifically, for self-supervised learning, we design a multi-task mechanism based on the masked image modeling (MIM) concept to emphasize the texture information of images. For semi-supervised learning, since our dataset is sparsely annotated, we encourage the model to excavate the information of unlabeled area in each image by generating and utilizing pseudo-labels online. We name our dataset and method Self-Supervised and Semi-Supervised Segmentation for Mars (S$^{5}$Mars). Experimental results show that our method can outperform state-of-the-art approaches and improve terrain segmentation performance by a large margin.
Abstract（参考訳）: 深層学習は火星探査の強力なツールとなっている。火星の地形の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となる重要な火星の視覚タスクである。しかし、既存の深層学習に基づく地形区分法は、十分な詳細かつ高信頼なアノテーションの欠如と、アノテーション付き訓練データに対するモデルの過度な信頼という2つの問題に直面している。本稿では,共同データと手法設計の観点から,これらの2つの問題に対処する。まず,6k高分解能画像を含む新しい火星地形区分データセットを提示し,信頼度に基づいて微妙な注釈付けを行い,ラベルの高品質を保証した。そして、このスパースデータから学習するために、自己教師付き学習段階(事前学習用)と半教師付き学習段階(微調整用)を含む火星地形セグメンテーションのための表現学習ベースのフレームワークを提案する。具体的には,画像のテクスチャ情報を強調するために,マスク画像モデリング(MIM)の概念に基づくマルチタスク機構を設計する。半教師あり学習では,データセットのアノテートが少なすぎるため,疑似ラベルをオンラインで生成・活用することにより,各画像におけるラベルなし領域の情報抽出をモデルに促す。我々のデータセットと手法をS$^{5}$Mars (Self-Supervised and Semi-Supervised Segmentation for Mars) と命名した。実験の結果,本手法は最先端のアプローチを上回ることができ,地形区分性能を大きなマージンで向上できることがわかった。

関連論文リスト

MarsSeg: Mars Surface Semantic Segmentation with Multi-level Extractor and Connector [19.053126804261034]
本稿では,MarsSegと呼ばれる新しいエンコーダデコーダベースの火星セグメンテーションネットワークを提案する。 Mini-ASPPとPSAはシャドー機能拡張用に特別に設計されている。 SPPMは、高レベルのセマンティックカテゴリ関連情報の抽出を容易にする、機能強化のために使用される。
論文参考訳（メタデータ） (2024-04-05T15:04:57Z)
Noise2Noise Denoising of CRISM Hyperspectral Data [6.502987568800912]
ノイズ2ノイズ4Mars (N2N4M) はCRISM画像からノイズを取り除くために導入された。我々のモデルは自己教師型であり、ゼロノイズ対象データを必要としない。これにより、提案された着陸地点を含む火星表面における重要な場所の詳細な分析が可能になる。
論文参考訳（メタデータ） (2024-03-26T14:49:22Z)
SatSynth: Augmenting Image-Mask Pairs through Diffusion Models for Aerial Semantic Segmentation [69.42764583465508]
我々は,地球観測における注釈付きデータの不足に対処するために,生成的画像拡散の可能性を探る。我々の知る限りでは、衛星セグメンテーションのための画像と対応するマスクの両方を最初に生成する。
論文参考訳（メタデータ） (2024-03-25T10:30:22Z)
ConeQuest: A Benchmark for Cone Segmentation on Mars [9.036303895516745]
ConeQuestは、火星の円錐を識別する最初の専門家による公開データセットである。本研究では,(i)空間一般化と(ii)コーンサイズ一般化という2つのベンチマークタスクを提案する。
論文参考訳（メタデータ） (2023-11-15T02:33:08Z)
Delving Deeper into Data Scaling in Masked Image Modeling [145.36501330782357]
視覚認識のためのマスク付き画像モデリング(MIM)手法のスケーリング能力に関する実証的研究を行った。具体的には、Webで収集したCoyo-700Mデータセットを利用する。我々のゴールは、データとモデルのサイズの異なるスケールでダウンストリームタスクのパフォーマンスがどのように変化するかを調べることです。
論文参考訳（メタデータ） (2023-05-24T15:33:46Z)
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)
Towards Realistic Semi-Supervised Learning [73.59557447798134]
オープンワールド環境でSSLに取り組み、未知のクラスと未知のクラスを同時に分類する新しい手法を提案する。我々のアプローチは、既存の最先端の7つのデータセットよりも大幅に優れています。
論文参考訳（メタデータ） (2022-07-05T19:04:43Z)
Semi-Supervised Learning for Mars Imagery Classification and Segmentation [35.103989798891476]
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。
論文参考訳（メタデータ） (2022-06-05T13:55:10Z)
Embedding Earth: Self-supervised contrastive pre-training for dense land cover classification [61.44538721707377]
本研究では,衛星画像の高可用性を活用するための自己監督型コントラスト事前学習法として,エンベディングアースを提案する。提案手法による事前学習では, 25%の絶対mIoUが得られた。学習した特徴は、異なる領域間で一般化され、提案した事前学習スキームの可能性を開放する。
論文参考訳（メタデータ） (2022-03-11T16:14:14Z)
Towards Robust Monocular Visual Odometry for Flying Robots on Planetary Missions [49.79068659889639]
火星に着陸したばかりのIngenuityは、トラバーサビリティの影響を受けない新時代の探検の始まりとなるでしょう。高速な光フロートラッキングを用いた高能率単分子オードメトリーアルゴリズムを提案する。また、相対翻訳情報行列の主成分分析に基づいて、スケールドリフトの現在のリスクを推定する新しい手法を提案する。
論文参考訳（メタデータ） (2021-09-12T12:52:20Z)
Large-scale Unsupervised Semantic Segmentation [163.3568726730319]
本稿では, 大規模無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 (LUSS) の新たな課題を提案する。 ImageNetデータセットに基づいて、120万のトレーニング画像と40万の高品質なセマンティックセグメンテーションアノテーションを用いた画像Net-Sデータセットを提案する。
論文参考訳（メタデータ） (2021-06-06T15:02:11Z)

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。