Fugu-MT 論文翻訳(概要): False: False Negative Samples Aware Contrastive Learning for Semantic Segmentation of High-Resolution Remote Sensing Image

論文の概要: False: False Negative Samples Aware Contrastive Learning for Semantic Segmentation of High-Resolution Remote Sensing Image

arxiv url: http://arxiv.org/abs/2211.07928v1
Date: Tue, 15 Nov 2022 06:24:26 GMT
ステータス: 処理完了
システム内更新日: 2022-11-16 15:04:30.313844
Title: False: False Negative Samples Aware Contrastive Learning for Semantic Segmentation of High-Resolution Remote Sensing Image
Title（参考訳）: 偽陰性サンプルによる高解像度リモートセンシング画像のセマンティックセグメンテーションのためのコントラスト学習
Authors: Zhaoyang Zhang, Xuying Wang, Xiaoming Mei, Chao Tao, Haifeng Li
Abstract要約: 高分解能RSIのセマンティックセグメンテーションのためのFalse negAtive sampLes aware contraStive lEarning model (FALSE)を提案する。 SSCL事前訓練は監督されないため、偽陰性サンプル(FNS)の判定可能な基準の欠如は理論的不確定性をもたらす。我々は、FNS自己決定戦略によるFNSの粗い決定を達成し、FNS信頼度補正(FNCC)損失関数によるFNSの校正を実現する。
参考スコア（独自算出の注目度）: 11.356381535900901
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The existing SSCL of RSI is built based on constructing positive and negative sample pairs. However, due to the richness of RSI ground objects and the complexity of the RSI contextual semantics, the same RSI patches have the coexistence and imbalance of positive and negative samples, which causing the SSCL pushing negative samples far away while pushing positive samples far away, and vice versa. We call this the sample confounding issue (SCI). To solve this problem, we propose a False negAtive sampLes aware contraStive lEarning model (FALSE) for the semantic segmentation of high-resolution RSIs. Since the SSCL pretraining is unsupervised, the lack of definable criteria for false negative sample (FNS) leads to theoretical undecidability, we designed two steps to implement the FNS approximation determination: coarse determination of FNS and precise calibration of FNS. We achieve coarse determination of FNS by the FNS self-determination (FNSD) strategy and achieve calibration of FNS by the FNS confidence calibration (FNCC) loss function. Experimental results on three RSI semantic segmentation datasets demonstrated that the FALSE effectively improves the accuracy of the downstream RSI semantic segmentation task compared with the current three models, which represent three different types of SSCL models. The mean Intersection-over-Union on ISPRS Potsdam dataset is improved by 0.7\% on average; on CVPR DGLC dataset is improved by 12.28\% on average; and on Xiangtan dataset this is improved by 1.17\% on average. This indicates that the SSCL model has the ability to self-differentiate FNS and that the FALSE effectively mitigates the SCI in self-supervised contrastive learning. The source code is available at https://github.com/GeoX-Lab/FALSE.
Abstract（参考訳）: RSIの既存のSSCLは正と負のサンプルペアの構築に基づいている。しかし、rsiグランドオブジェクトの豊かさとrsiコンテキストセマンティクスの複雑さのため、同じrsiパッチは、正のサンプルと負のサンプルの共存と不均衡を持ち、ssclが負のサンプルを遠ざけ、正のサンプルを遠ざけ、逆もまた逆である。これをサンプル共起問題(SCI)と呼ぶ。この問題を解決するために,高分解能RSIのセマンティックセグメンテーションのためのFalse negAtive sampLes aware contraStive lEarning model (FALSE)を提案する。 SSCLプレトレーニングは教師なしであり, 偽陰性サンプル(FNS)の判定基準の欠如が理論的不確定性をもたらすため, FNS近似決定を行うための2つのステップとして, FNSの粗い判定とFNSの正確な校正を設計した。我々は、FNS自己決定(FNSD)戦略によるFNSの粗い決定と、FNS信頼度補正(FNCC)損失関数によるFNSの校正を実現する。 3つのrsiセマンティクスセグメンテーションデータセットを用いた実験の結果、falseは下流のrsiセマンティクスセグメンテーションタスクの精度を3種類の異なるssclモデルを表す現在の3つのモデルと比較して効果的に改善することが示された。 ISPRS Potsdamデータセットの平均インターセクションオーバーユニオンは平均0.7%改善され、CVPR DGLCデータセットは平均12.28倍改善され、Xiangtanデータセットでは平均1.17倍改善されている。このことは、SSCLモデルがFNSを自己微分し、FALSEが自己教師付きコントラスト学習においてSCIを効果的に緩和することを示している。ソースコードはhttps://github.com/GeoX-Lab/FALSEで入手できる。

関連論文リスト

Investigating the Semantic Robustness of CLIP-based Zero-Shot Anomaly Segmentation [2.722220619798093]
3つの意味変換を用いて実験データを摂動することで,ゼロショット異常セグメンテーションアルゴリズムの性能について検討する。モデルアーキテクチャや学習目標に関係なく、3つのCLIPバックボーンでパフォーマンスが一貫して低下していることが分かりました。
論文参考訳（メタデータ） (2024-05-13T17:47:08Z)
Byzantine-resilient Federated Learning With Adaptivity to Data Heterogeneity [54.145730036889496]
本稿では、ビザンツの悪意ある攻撃データの存在下でのグラディエント・ラーニング(FL)を扱う。 Average Algorithm (RAGA) が提案され、ロバストネスアグリゲーションを活用してデータセットを選択することができる。
論文参考訳（メタデータ） (2024-03-20T08:15:08Z)
SIRST-5K: Exploring Massive Negatives Synthesis with Self-supervised Learning for Robust Infrared Small Target Detection [53.19618419772467]
単一フレーム赤外線小ターゲット検出(SIRST)は、乱雑な背景から小さなターゲットを認識することを目的としている。 Transformerの開発に伴い、SIRSTモデルのスケールは常に増大している。赤外線小ターゲットデータの多彩な多様性により,本アルゴリズムはモデル性能と収束速度を大幅に改善する。
論文参考訳（メタデータ） (2024-03-08T16:14:54Z)
Noisy Correspondence Learning with Self-Reinforcing Errors Mitigation [63.180725016463974]
クロスモーダル検索は、実際は精力的な、十分に整合した大規模データセットに依存している。我々は、新しい雑音対応学習フレームワーク、textbfSelf-textbfReinforcing textbfErrors textbfMitigation(SREM)を導入する。
論文参考訳（メタデータ） (2023-12-27T09:03:43Z)
Instance-based Learning with Prototype Reduction for Real-Time Proportional Myocontrol: A Randomized User Study Demonstrating Accuracy-preserving Data Reduction for Prosthetic Embedded Systems [0.0]
本研究は, 義肢制御におけるジェスチャー検出のためのkNNスキームに基づく学習手法の設計, 実装, 検証を行う。 8チャンネルSEMGアームバンドを用いて,パラメータ化と比例スキームの変化の影響を解析した。
論文参考訳（メタデータ） (2023-08-21T20:15:35Z)
GraSS: Contrastive Learning with Gradient Guided Sampling Strategy for Remote Sensing Image Semantic Segmentation [14.750062497258147]
RSIセマンティックセグメンテーションのためのGradient Guided Smpling Strategy (GraSS) を用いたコントラスト学習を提案する。 GraSSは2つのステージで構成されている。 GraSSは高分解能RSIセマンティックセグメンテーションにおけるSSCLの性能を効果的に向上させる。
論文参考訳（メタデータ） (2023-06-28T01:50:46Z)
Triplet Loss-less Center Loss Sampling Strategies in Facial Expression Recognition Scenarios [5.672538282456803]
ディープ・ニューラルネットワーク(DNN)とディープ・メトリック・ラーニング(DML)技術は、モデルInFERアプリケーションの識別能力を高める。我々は, 完全合成, 半合成, 予測に基づく負のサンプル選択戦略の3つの戦略を開発した。より優れた結果を得るために、画素ワイドと素子ワイドのアテンション係数の組み合わせを提供する選択的アテンションモジュールを導入する。
論文参考訳（メタデータ） (2023-02-08T15:03:36Z)
A Hybrid Deep Learning Model-based Remaining Useful Life Estimation for Reed Relay with Degradation Pattern Clustering [12.631122036403864]
リードリレーは機能テストの基本的な構成要素であり、電子機器の品質検査の成功と密接に関係している。リードリレーの有効寿命(RUL)を正確に推定するために,劣化パターンクラスタリングを用いたハイブリッドディープラーニングネットワークを提案する。
論文参考訳（メタデータ） (2022-09-14T05:45:46Z)
Bayesian Neural Network Language Modeling for Speech Recognition [59.681758762712754]
長期記憶リカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端のニューラルネットワーク言語モデル(NNLM)は非常に複雑になりつつある。本稿では,LSTM-RNN と Transformer LM の基盤となる不確実性を考慮するために,ベイズ学習フレームワークの全体構造を提案する。
論文参考訳（メタデータ） (2022-08-28T17:50:19Z)
OpenMatch: Open-set Consistency Regularization for Semi-supervised Learning with Outliers [71.08167292329028]
我々はOpenMatchと呼ばれる新しいオープンセットセミスーパーバイザードラーニング(OSSL)アプローチを提案する。 OpenMatchは、1-vs-all(OVA)分類器に基づいた新規検出とFixMatchを統合する。 3つのデータセットで最先端のパフォーマンスを実現し、CIFAR10の未ラベルデータで見えないアウトリーチを検出する上で、完全な教師付きモデルよりも優れています。
論文参考訳（メタデータ） (2021-05-28T23:57:15Z)
Semi-supervised Contrastive Learning with Similarity Co-calibration [72.38187308270135]
SsCL(Semi-supervised Contrastive Learning)と呼ばれる新しいトレーニング戦略を提案する。 ssclは、自己教師付き学習におけるよく知られたコントラスト損失と、半教師付き学習におけるクロスエントロピー損失を組み合わせる。 SsCLはより差別的な表現を生じさせ,ショット学習に有益であることを示す。
論文参考訳（メタデータ） (2021-05-16T09:13:56Z)

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。