論文の概要: On Improving the Performance of Glitch Classification for Gravitational
Wave Detection by using Generative Adversarial Networks
- arxiv url: http://arxiv.org/abs/2207.04001v1
- Date: Fri, 8 Jul 2022 16:35:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-11 14:53:17.102753
- Title: On Improving the Performance of Glitch Classification for Gravitational
Wave Detection by using Generative Adversarial Networks
- Title（参考訳）: 生成逆ネットワークを用いた重力波検出におけるグリッチ分類の性能向上について
- Authors: Jianqi Yan (1 and 2), Alex P. Leung (3) and David C. Y. Hui (2) ((1)
Macau University of Science and Technology (2) Chungnam National University
(3) The University of Hong Kong)
- Abstract要約: GAN(Generative Adversarial Networks)を用いた分類性能向上のためのフレームワークを提案する。
提案手法は,ディープネットワークを用いたスペクトルの分類における伝達学習の代替となることを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Spectrogram classification plays an important role in analyzing gravitational
wave data. In this paper, we propose a framework to improve the classification
performance by using Generative Adversarial Networks (GANs). As substantial
efforts and expertise are required to annotate spectrograms, the number of
training examples is very limited. However, it is well known that deep networks
can perform well only when the sample size of the training set is sufficiently
large. Furthermore, the imbalanced sample sizes in different classes can also
hamper the performance. In order to tackle these problems, we propose a
GAN-based data augmentation framework. While standard data augmentation methods
for conventional images cannot be applied on spectrograms, we found that a
variant of GANs, ProGAN, is capable of generating high-resolution spectrograms
which are consistent with the quality of the high-resolution original images
and provide a desirable diversity. We have validated our framework by
classifying glitches in the {\it Gravity Spy} dataset with the GAN-generated
spectrograms for training. We show that the proposed method can provide an
alternative to transfer learning for the classification of spectrograms using
deep networks, i.e. using a high-resolution GAN for data augmentation instead.
Furthermore, fluctuations in classification performance with small sample sizes
for training and evaluation can be greatly reduced. Using the trained network
in our framework, we have also examined the spectrograms with label anomalies
in {\it Gravity Spy}.
- Abstract（参考訳）: スペクトル分類は重力波データの解析において重要な役割を果たす。
本稿では,GAN(Generative Adversarial Networks)を用いた分類性能向上のためのフレームワークを提案する。
スペクトログラムに注釈をつけるにはかなりの労力と専門知識が必要であるため、トレーニング例の数は極めて限られている。
しかし、トレーニングセットのサンプルサイズが十分に大きい場合にのみ、ディープネットワークが良好に動作できることはよく知られている。
さらに、異なるクラスにおける不均衡なサンプルサイズもパフォーマンスを阻害する可能性がある。
このような問題に対処するために,GANベースのデータ拡張フレームワークを提案する。
従来の画像の標準データ拡張法はスペクトログラムには適用できないが,GANの変種であるProGANは,高解像度のオリジナル画像の品質に整合した高解像度のスペクトログラムを生成でき,良好な多様性を提供できることがわかった。
我々は、GAN生成したトレーニング用スペクトログラムを用いて、Stit Gravity Spy}データセットのグリッチを分類することで、我々のフレームワークを検証する。
提案手法は,深層ネットワークを用いたスペクトログラム分類のためのトランスファー学習の代替手段,すなわち高分解能ganを用いてデータ拡張を行うことができることを示す。
さらに, トレーニングおよび評価のためのサンプルサイズが小さい分類性能の変動を大幅に低減することができる。
我々のフレームワークでトレーニングされたネットワークを用いて、"itgravity spy} のラベル異常を伴う分光図についても検討した。
関連論文リスト
- GSpect: Spectral Filtering for Cross-Scale Graph Classification [9.800723513820046]
クロススケールグラフ分類タスクのための高度なスペクトルグラフフィルタリングモデルであるGSpectを提案する。
オープンデータセットでは、GSpectは分類精度を平均1.62%改善し、ProteINSでは最大3.33%向上した。
GSpectは、クロススケールグラフ分類研究のギャップを埋め、脳疾患の診断のような応用研究を支援する可能性がある。
論文 参考訳（メタデータ） (2024-08-31T03:26:32Z) - Exploring Beyond Logits: Hierarchical Dynamic Labeling Based on Embeddings for Semi-Supervised Classification [49.09505771145326]
モデル予測に依存しない階層型動的ラベル付け(HDL)アルゴリズムを提案し,画像埋め込みを用いてサンプルラベルを生成する。
本手法は,半教師付き学習における擬似ラベル生成のパラダイムを変える可能性がある。
論文 参考訳（メタデータ） (2024-04-26T06:00:27Z) - DiffSpectralNet : Unveiling the Potential of Diffusion Models for
Hyperspectral Image Classification [6.521187080027966]
我々は拡散と変圧器技術を組み合わせたDiffSpectralNetと呼ばれる新しいネットワークを提案する。
まず,拡散モデルに基づく教師なし学習フレームワークを用いて,高レベル・低レベルのスペクトル空間的特徴を抽出する。
この拡散法はスペクトル空間の特徴を多様かつ有意義に抽出し,HSI分類の改善につながる。
論文 参考訳（メタデータ） (2023-10-29T15:26:37Z) - Fine-grained Recognition with Learnable Semantic Data Augmentation [68.48892326854494]
きめ細かい画像認識は、長年続くコンピュータビジョンの課題である。
本稿では,識別領域損失問題を軽減するため,特徴レベルのトレーニングデータを多様化することを提案する。
本手法は,いくつかの人気分類ネットワーク上での一般化性能を著しく向上させる。
論文 参考訳（メタデータ） (2023-09-01T11:15:50Z) - LD-GAN: Low-Dimensional Generative Adversarial Network for Spectral
Image Generation with Variance Regularization [72.4394510913927]
ディープラーニング法はスペクトル画像(SI)計算タスクの最先端技術である。
GANは、データ分散から学習およびサンプリングすることで、多様な拡張を可能にする。
この種のデータの高次元性は、GANトレーニングの収束を妨げるため、GANベースのSI生成は困難である。
本稿では, オートエンコーダ訓練における低次元表現分散を制御し, GANで生成されたサンプルの多様性を高めるための統計正則化を提案する。
論文 参考訳（メタデータ） (2023-04-29T00:25:02Z) - Boosting Differentiable Causal Discovery via Adaptive Sample Reweighting [62.23057729112182]
異なるスコアに基づく因果探索法は観測データから有向非巡回グラフを学習する。
本稿では,Reweighted Score関数ReScoreの適応重みを動的に学習することにより因果発見性能を向上させるためのモデルに依存しないフレームワークを提案する。
論文 参考訳（メタデータ） (2023-03-06T14:49:59Z) - Investigating the Potential of Auxiliary-Classifier GANs for Image
Classification in Low Data Regimes [12.128005423388226]
本稿では、画像分類のための「ワンストップショップ」アーキテクチャとして、補助分類型GAN(AC-GAN)の可能性を検討する。
AC-GANは画像分類において有望であり、標準CNNとの競合性能を達成する。
論文 参考訳（メタデータ） (2022-01-22T19:33:16Z) - SpectralFormer: Rethinking Hyperspectral Image Classification with
Transformers [91.09957836250209]
ハイパースペクトル(HS)画像は、ほぼ連続したスペクトル情報によって特徴づけられる。
CNNは、HS画像分類において強力な特徴抽出器であることが証明されている。
我々は、HS画像分類のためのulSpectralFormerと呼ばれる新しいバックボーンネットワークを提案する。
論文 参考訳（メタデータ） (2021-07-07T02:59:21Z) - Adversarial Feature Augmentation and Normalization for Visual
Recognition [109.6834687220478]
最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。
本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。
代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
論文 参考訳（メタデータ） (2021-03-22T20:36:34Z) - Improving Deep Hyperspectral Image Classification Performance with
Spectral Unmixing [3.84448093764973]
本稿では,多元HSI分類法を提案する。
我々は、データセット固有のオートエンコーダにより、スペクトル領域から豊富な領域へのすべてのHSIを変換する。
次に、複数のHSIからの豊富な表現を収集して拡大データセットを形成する。
論文 参考訳（メタデータ） (2020-04-01T17:14:05Z)
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。