論文の概要: On the Effects of Different Types of Label Noise in Multi-Label Remote
Sensing Image Classification
- arxiv url: http://arxiv.org/abs/2207.13975v1
- Date: Thu, 28 Jul 2022 09:38:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-29 12:28:03.624354
- Title: On the Effects of Different Types of Label Noise in Multi-Label Remote
Sensing Image Classification
- Title（参考訳）: マルチラベルリモートセンシング画像分類におけるラベルノイズの種類の違いの影響について
- Authors: Tom Burgert, Mahdyar Ravanbakhsh, Beg\"um Demir
- Abstract要約: リモートセンシング(RS)画像のマルチラベル分類(MLC)のための高精度な手法の開発は、RSにおいて最も重要な研究トピックの1つである。
複数のランドカバークラスラベル (multi-labels) でアノテートされた多数の信頼できるトレーニングイメージを必要とするディープニューラルネットワークの使用は、RSで人気がある。
本稿では,3つの異なる雑音頑健なCV SLC法について検討し,RSのマルチラベル雑音シナリオに対して頑健であるように適応する。
- 参考スコア（独自算出の注目度）: 1.6758573326215689
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The development of accurate methods for multi-label classification (MLC) of
remote sensing (RS) images is one of the most important research topics in RS.
To address MLC problems, the use of deep neural networks that require a high
number of reliable training images annotated by multiple land-cover class
labels (multi-labels) have been found popular in RS. However, collecting such
annotations is time-consuming and costly. A common procedure to obtain
annotations at zero labeling cost is to rely on thematic products or
crowdsourced labels. As a drawback, these procedures come with the risk of
label noise that can distort the learning process of the MLC algorithms. In the
literature, most label noise robust methods are designed for single label
classification (SLC) problems in computer vision (CV), where each image is
annotated by a single label. Unlike SLC, label noise in MLC can be associated
with: 1) subtractive label-noise (a land cover class label is not assigned to
an image while that class is present in the image); 2) additive label-noise (a
land cover class label is assigned to an image although that class is not
present in the given image); and 3) mixed label-noise (a combination of both).
In this paper, we investigate three different noise robust CV SLC methods and
adapt them to be robust for multi-label noise scenarios in RS. During
experiments we study the effects of different types of multi-label noise and
evaluate the adapted methods rigorously. To this end, we also introduce a
synthetic multi-label noise injection strategy that is more adequate to
simulate operational scenarios compared to the uniform label noise injection
strategy, in which the labels of absent and present classes are flipped at
uniform probability. Further, we study the relevance of different evaluation
metrics in MLC problems under noisy multi-labels.
- Abstract（参考訳）: リモートセンシング(rs)画像の高精度マルチラベル分類法(mlc)の開発は、rsにおける最も重要な研究課題の一つである。
MLC問題に対処するために、複数のランドカバークラスラベル(マルチラベル)で注釈付けされた多数の信頼できるトレーニングイメージを必要とするディープニューラルネットワークがRSで人気である。
しかし、このようなアノテーションの収集には時間と費用がかかります。
ゼロラベリングコストでアノテーションを取得する一般的な手順は、テーマ製品やクラウドソースのラベルに依存することである。
欠点として、これらの手順はMLCアルゴリズムの学習過程を歪ませるラベルノイズの危険性がある。
文献では、ほとんどのラベルノイズロバストな手法は、コンピュータビジョン(cv)における単一ラベル分類(slc)問題のために設計されており、各画像は単一のラベルで注釈されている。
SLCとは異なり、MLCのラベルノイズは次のように関連付けられる。
1)減算的ラベルノイズ(画像にそのクラスが存在する間、ランドカバークラスラベルは画像に割り当てられない)
2)付加的なラベルノイズ(そのクラスが所定の画像に存在しないが、ランドカバークラスラベルが画像に割り当てられる)
3)混合ラベルノイズ(両者の組み合わせ)。
本稿では,3種類のノイズ頑健なCV SLC法について検討し,RSのマルチラベルノイズシナリオに対して頑健であるように適応する。
実験中, 異なる種類のマルチラベル雑音の影響について検討し, 適応法を厳格に評価した。
この目的のために我々は,不在クラスと現在クラスのラベルを一様確率でフリップする一様ラベルノイズ注入方式と比較して,運用シナリオをシミュレートするのに適した合成マルチラベルノイズ注入方式を導入する。
さらに,マルチラベル雑音下におけるmlc問題における評価指標の相違について検討した。
関連論文リスト
- Positive Label Is All You Need for Multi-Label Classification [3.354528906571718]
マルチラベル分類(MLC)は、トレーニングデータにおけるラベルノイズによる課題に直面する。
本稿では,MPCにおけるラベルノイズに,PU-MLC法を導入して対処する。
PU-MLCは正のラベル付き学習を採用し、正のラベルとラベルなしのデータだけでモデルを訓練する。
論文 参考訳（メタデータ） (2023-06-28T08:44:00Z) - Category-Adaptive Label Discovery and Noise Rejection for Multi-label
Image Recognition with Partial Positive Labels [78.88007892742438]
部分正ラベル(MLR-PPL)を用いたマルチラベルモデルの訓練が注目されている。
これまでの研究では、未知のラベルを負とみなし、従来のMLRアルゴリズムを採用した。
我々は,MLR-PPLタスクを容易にするために,異なる画像間の意味的相関について検討する。
論文 参考訳（メタデータ） (2022-11-15T02:11:20Z) - Label Structure Preserving Contrastive Embedding for Multi-Label
Learning with Missing Labels [30.79809627981242]
欠落ラベルを識別するためのラベル補正機構を導入し、欠落ラベル(CLML)を用いた多ラベル画像分類において、ユニークなコントラスト損失を定義する。
既存のマルチラベルCLの損失とは異なり、CLMLは潜在表現空間における低ランクなグローバルおよびローカルなラベル依存性も保持する。
提案した戦略は、3つの標準データセットでそれぞれ1.2%、1.6%、および1.3%のマージンでResnet101モデルの分類性能を改善することが示されている。
論文 参考訳（メタデータ） (2022-09-03T02:44:07Z) - Large Loss Matters in Weakly Supervised Multi-Label Classification [50.262533546999045]
まず、観測されていないラベルを負のラベルとみなし、Wタスクをノイズの多いマルチラベル分類にキャストする。
ノイズラベルを記憶しないために,大規模な損失サンプルを拒絶または補正する新しいW法を提案する。
提案手法は, 弱教師付きマルチラベル分類において, 大きな損失を適切に処理することが重要であることを検証した。
論文 参考訳（メタデータ） (2022-06-08T08:30:24Z) - Dual-Perspective Semantic-Aware Representation Blending for Multi-Label
Image Recognition with Partial Labels [70.36722026729859]
本稿では,多粒度カテゴリ固有の意味表現を異なる画像にブレンドした,二重パースペクティブな意味認識表現ブレンディング(DSRB)を提案する。
提案したDSは、すべての比率ラベル設定において、最先端のアルゴリズムを一貫して上回っている。
論文 参考訳（メタデータ） (2022-05-26T00:33:44Z) - Semantic-Aware Representation Blending for Multi-Label Image Recognition
with Partial Labels [86.17081952197788]
そこで我々は,未知のラベルを補うために,異なる画像にカテゴリ固有の表現をブレンドして,既知のラベルの情報を伝達することを提案する。
MS-COCO、Visual Genome、Pascal VOC 2007データセットの実験は、提案されたSARBフレームワークが、現在の主要な競合相手よりも優れたパフォーマンスを得ることを示している。
論文 参考訳（メタデータ） (2022-03-04T07:56:16Z) - Evaluating Multi-label Classifiers with Noisy Labels [0.7868449549351487]
実世界では、クリーンなデータセットよりもノイズの多いデータセットを扱う方が一般的です。
雑音ラベルを効果的に処理するコンテキストベースマルチラベル分類器(CbMLC)を提案する。
CbMLCは、ほとんどの場合、以前の方法よりも大幅に改善されています。
論文 参考訳（メタデータ） (2021-02-16T19:50:52Z) - A Second-Order Approach to Learning with Instance-Dependent Label Noise [58.555527517928596]
ラベルノイズの存在は、しばしばディープニューラルネットワークのトレーニングを誤解させる。
人間による注釈付きラベルのエラーは、タスクの難易度レベルに依存する可能性が高いことを示しています。
論文 参考訳（メタデータ） (2020-12-22T06:36:58Z) - CCML: A Novel Collaborative Learning Model for Classification of Remote
Sensing Images with Noisy Multi-Labels [0.9995347522610671]
CNNモデルのトレーニングフェーズにおけるマルチラベルノイズの悪影響を軽減するために,CCML(Consensual Collaborative Multi-Label Learning)法を提案する。
CCMLは、4つのメインモジュールに基づいてRS画像の騒々しいマルチラベルを特定し、ランク付けし、修正します。
論文 参考訳（メタデータ） (2020-12-19T15:42:24Z) - 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)
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。