論文の概要: Learning One-Class Hyperspectral Classifier from Positive and Unlabeled
Data for Low Proportion Target
- arxiv url: http://arxiv.org/abs/2210.15457v1
- Date: Thu, 27 Oct 2022 14:15:13 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-28 14:40:32.855487
- Title: Learning One-Class Hyperspectral Classifier from Positive and Unlabeled
Data for Low Proportion Target
- Title（参考訳）: 低比重対象に対する正・未ラベルデータからの1クラスハイパースペクトル分類器の学習
- Authors: Hengwei Zhao, Yanfei Zhong, Xin He, Xinyu Wang, Hong Shu
- Abstract要約: ハイパースペクトル画像(HSI)の1クラス分類は、正のラベルのみを用いて、HSIから1つのターゲットクラスを特定することを目的としている。
HSIの1クラス分類は、負のラベルの欠如と低いターゲット比のため、HSIのマルチクラス分類よりもはるかに難しい。
1クラスリスク推定器は、完全な畳み込みニューラルネットワーク(FCN)を1クラス分類の能力で実現するために導入された。
- 参考スコア（独自算出の注目度）: 15.37003498635783
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Hyperspectral imagery (HSI) one-class classification is aimed at identifying
a single target class from the HSI by using only positive labels, which can
significantly reduce the requirements for annotation. However, HSI one-class
classification is far more challenging than HSI multi-class classification, due
the lack of negative labels and the low target proportion, which are issues
that have rarely been considered in the previous HSI classification studies. In
this paper, a weakly supervised HSI one-class classifier, namely HOneCls is
proposed to solve the problem of under-fitting of the positive class occurs in
the HSI data with low target proportion, where a risk estimator -- the
One-Class Risk Estimator -- is particularly introduced to make the full
convolutional neural network (FCN) with the ability of one class
classification. The experimental results obtained on challenging hyperspectral
classification datasets, which includes 20 kinds of ground objects with very
similar spectra, demonstrate the efficiency and feasibility of the proposed
One-Class Risk Estimator. Compared with the state-of-the-art one-class
classifiers, the F1-score is improved significantly in the HSI data with low
target proportion.
- Abstract（参考訳）: ハイパースペクトル画像(HSI)の1クラス分類は、陽性ラベルのみを用いて、HSIから単一のターゲットクラスを識別することを目的としており、アノテーションの要求を大幅に低減することができる。
しかし,従来のhsi分類研究ではほとんど考慮されていない負のラベルの欠如とターゲット比率の低さから,hsi一級分類はhsi多級分類よりもはるかに困難である。
本稿では,1クラスリスク推定器であるリスク推定器を用いて,完全畳み込みニューラルネットワーク(fcn)を1つのクラス分類の能力で構築するhsiデータにおいて,正のクラスが不適合となる問題を解くため,下位教師付きhsi one-class class class classificationifier,すなわちhoeclsを提案する。
類似のスペクトルを持つ20種類の接地物体を含む超スペクトル分類データセットを用いた実験の結果,提案する1クラスリスク推定器の効率と実現可能性を示した。
最先端の1クラス分類器と比較して、F1スコアは目標比率の低いHSIデータにおいて大幅に改善される。
関連論文リスト
- Selective Classification Under Distribution Shifts [2.6541808384534478]
選別分類において、分類器は過度なエラーを避けるために誤りとなる可能性のある予測を棄却する。
本稿では,分散シフトを考慮したSCフレームワークを提案する。
提案したスコア関数は、一般化されたSCのための既存のスコア関数よりも効果的で信頼性が高いことを示す。
論文 参考訳（メタデータ） (2024-05-08T15:52:50Z) - Balanced Classification: A Unified Framework for Long-Tailed Object
Detection [74.94216414011326]
従来の検出器は、分類バイアスによる長期データを扱う際の性能劣化に悩まされる。
本稿では,カテゴリ分布の格差に起因する不平等の適応的是正を可能にする,BAlanced CLassification (BACL) と呼ばれる統一フレームワークを提案する。
BACLは、さまざまなバックボーンとアーキテクチャを持つさまざまなデータセット間で、一貫してパフォーマンス改善を実現している。
論文 参考訳（メタデータ） (2023-08-04T09:11:07Z) - A Universal Unbiased Method for Classification from Aggregate
Observations [115.20235020903992]
本稿では,任意の損失に対する分類リスクを非バイアスで推定するCFAOの普遍的手法を提案する。
提案手法は,非バイアスリスク推定器によるリスクの整合性を保証するだけでなく,任意の損失に対応できる。
論文 参考訳（メタデータ） (2023-06-20T07:22:01Z) - Hyperspectral Image Analysis with Subspace Learning-based One-Class
Classification [18.786429304405097]
ハイパースペクトル画像(HSI)分類は、環境モニタリング、医療画像、土地利用/土地被覆(LULC)分類など、多くの応用において重要な課題である。
本研究では,最近提案した1クラス分類(OCC)における部分空間学習手法について検討する。
このようにして、提案する分類フレームワークでは、個別の次元削減や特徴選択の手順は不要である。
LULC分類問題とリッチスペクトル情報(高次元)の不均衡ラベルを考えると,提案手法はHSIデータに適している。
論文 参考訳（メタデータ） (2023-04-19T15:17:05Z) - Anomaly Detection using Ensemble Classification and Evidence Theory [62.997667081978825]
本稿では,アンサンブル分類とエビデンス理論を用いた新しい検出手法を提案する。
固体アンサンブル分類器を構築するためのプール選択戦略が提示される。
我々は異常検出手法の不確実性を利用する。
論文 参考訳（メタデータ） (2022-12-23T00:50:41Z) - Parametric Classification for Generalized Category Discovery: A Baseline
Study [70.73212959385387]
Generalized Category Discovery (GCD)は、ラベル付きサンプルから学習した知識を用いて、ラベルなしデータセットで新しいカテゴリを発見することを目的としている。
パラメトリック分類器の故障を調査し,高品質な監視が可能であった場合の過去の設計選択の有効性を検証し,信頼性の低い疑似ラベルを重要課題として同定する。
エントロピー正規化の利点を生かし、複数のGCDベンチマークにおける最先端性能を実現し、未知のクラス数に対して強いロバスト性を示す、単純で効果的なパラメトリック分類法を提案する。
論文 参考訳（メタデータ） (2022-11-21T18:47:11Z) - Binary Classification from Multiple Unlabeled Datasets via Surrogate Set
Classification [94.55805516167369]
我々は m 個の U 集合を $mge2$ で二進分類する新しい手法を提案する。
我々のキーとなる考え方は、サロゲート集合分類(SSC)と呼ばれる補助的分類タスクを考えることである。
論文 参考訳（メタデータ） (2021-02-01T07:36:38Z) - Entropy-Based Uncertainty Calibration for Generalized Zero-Shot Learning [49.04790688256481]
一般化ゼロショット学習(GZSL)の目的は、目に見えないクラスと見えないクラスの両方を認識することである。
ほとんどのGZSLメソッドは、通常、見えないクラスの意味情報から視覚表現を合成することを学ぶ。
本論文では,三重項損失を持つ2重変分オートエンコーダを利用する新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2021-01-09T05:21:27Z) - Beyond cross-entropy: learning highly separable feature distributions
for robust and accurate classification [22.806324361016863]
本稿では, 対角的ロバスト性を提供する, ディープロバストなマルチクラス分類器を訓練するための新しい手法を提案する。
提案手法に基づく潜在空間の正則化は,優れた分類精度が得られることを示す。
論文 参考訳（メタデータ） (2020-10-29T11:15:17Z) - Population structure-learned classifier for high-dimension
low-sample-size class-imbalanced problem [3.411873646414169]
集団構造学習型分類器(PSC)を提案する。
PSCは、IHDLSS上でのより優れた一般化性能を得ることができる。
PSCはIHDLSSの最先端手法よりも優れている。
論文 参考訳（メタデータ） (2020-09-10T08:33:39Z) - Fuzziness-based Spatial-Spectral Class Discriminant Information
Preserving Active Learning for Hyperspectral Image Classification [0.456877715768796]
本研究では,局所的・グローバルな識別情報保存手法の内外におけるファジィに基づく空間スペクトルを提案する。
ベンチマークHSIデータセットによる実験結果から,FLG法が生成,極端学習機械,スパース多相ロジスティック回帰に与える影響が示された。
論文 参考訳（メタデータ） (2020-05-28T18:58:11Z)
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。