論文の概要: Balanced Semi-Supervised Generative Adversarial Network for Damage
Assessment from Low-Data Imbalanced-Class Regime
- arxiv url: http://arxiv.org/abs/2211.15961v1
- Date: Tue, 29 Nov 2022 06:40:06 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-30 17:51:36.042897
- Title: Balanced Semi-Supervised Generative Adversarial Network for Damage
Assessment from Low-Data Imbalanced-Class Regime
- Title(参考訳): 低データ不均衡クラスレジームによる損傷評価のためのバランス付き半スーパーバイザ・ジェネレーション・ディバイザ・ネットワーク
- Authors: Yuqing Gao, Pengyuan Zhai, Khalid M. Mosalam
- Abstract要約: 我々は、バランス付き半教師付きGAN(BSS-GAN)と呼ばれるGAN(Generative Adversarial Network)の1つの変種を紹介する。
半教師付き学習の概念を採用し、低データと不均衡クラスの問題を解決するためにトレーニングにバランストバッチサンプリングを適用している。
以上の結果から,BSS-GANは従来手法よりも,リコールやF_beta$スコアにおいて,より優れた損傷検出が可能であることが示唆された。
- 参考スコア(独自算出の注目度): 0.1657441317977376
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In recent years, applying deep learning (DL) to assess structural damages has
gained growing popularity in vision-based structural health monitoring (SHM).
However, both data deficiency and class-imbalance hinder the wide adoption of
DL in practical applications of SHM. Common mitigation strategies include
transfer learning, over-sampling, and under-sampling, yet these ad-hoc methods
only provide limited performance boost that varies from one case to another. In
this work, we introduce one variant of the Generative Adversarial Network
(GAN), named the balanced semi-supervised GAN (BSS-GAN). It adopts the
semi-supervised learning concept and applies balanced-batch sampling in
training to resolve low-data and imbalanced-class problems. A series of
computer experiments on concrete cracking and spalling classification were
conducted under the low-data imbalanced-class regime with limited computing
power. The results show that the BSS-GAN is able to achieve better damage
detection in terms of recall and $F_\beta$ score than other conventional
methods, indicating its state-of-the-art performance.
- Abstract(参考訳): 近年,視覚に基づく構造健康モニタリング(shm)において,構造損傷を評価するための深層学習(dl)が注目されている。
しかし、データ不足とクラス不均衡は、SHMの実用化においてDLの普及を妨げている。
一般的な緩和戦略としては、転送学習、オーバーサンプリング、アンダーサンプリングがあるが、これらのアドホックな手法は、あるケースによって異なる限られたパフォーマンス向上しか提供しない。
本稿では,GAN(Generative Adversarial Network, GAN)の1つの変種を紹介し, バランス付き半教師付きGAN(BSS-GAN)について述べる。
半教師付き学習の概念を採用し、低データと不均衡クラスの問題を解決するためにトレーニングにバランストバッチサンプリングを適用している。
コンクリートのひび割れとスポーリングの分類に関する一連のコンピュータ実験は、計算能力に制限のある低データ不均衡クラスで実施された。
以上の結果から,BSS-GANは従来手法よりも,リコールやF_\beta$スコアにおいて,損傷検出の精度が向上していることが示唆された。
関連論文リスト
- Dist Loss: Enhancing Regression in Few-Shot Region through Distribution Distance Constraint [12.757563335570865]
Dist Lossは、モデルとターゲットラベルの間の分布距離を最小限に抑えるために設計された損失関数である。
コンピュータビジョンとヘルスケアにまたがる3つのデータセットを対象に実験を行った。
論文 参考訳(メタデータ) (2024-11-20T16:17:40Z) - Systematic Evaluation of Synthetic Data Augmentation for Multi-class NetFlow Traffic [2.5182419298876857]
マルチクラス分類モデルは特定のタイプの攻撃を識別し、より標的的で効果的なインシデント応答を可能にする。
最近の進歩は、生成モデルがデータの増大を補助し、不均衡なデータセットに対して優れたソリューションを提供すると主張することを示唆している。
本実験は,トレーニングデータのバランスをとる再サンプリング手法が,分類性能を確実に向上させるものではないことを示唆している。
論文 参考訳(メタデータ) (2024-08-28T12:44:07Z) - Gradient-based Sampling for Class Imbalanced Semi-supervised Object Detection [111.0991686509715]
半教師付き物体検出(SSOD)におけるクラス不均衡問題を,より困難なシナリオ下で検討する。
本稿では,2種類の確認バイアスの観点から,クラス不均衡問題に対処する,単純かつ効果的な勾配に基づくサンプリングフレームワークを提案する。
提案手法は,MS-COCO,MS-COCO,Object365,LVISの3種類のサブタスクにおいて,現行の非平衡物体検出器よりもクリアマージンの方が優れていることを示す。
論文 参考訳(メタデータ) (2024-03-22T11:30:10Z) - Gradient Reweighting: Towards Imbalanced Class-Incremental Learning [8.438092346233054]
CIL(Class-Incremental Learning)は、非定常データから新しいクラスを継続的に認識するためにモデルを訓練する。
CILの大きな課題は、非一様分布を特徴とする実世界のデータに適用する場合である。
この二重不均衡問題により、FC層に偏りのある勾配更新が生じ、CILの過度/過度な適合と破滅的な忘れが引き起こされる。
論文 参考訳(メタデータ) (2024-02-28T18:08:03Z) - A Unified Generalization Analysis of Re-Weighting and Logit-Adjustment
for Imbalanced Learning [129.63326990812234]
そこで本研究では,データ依存型コンダクタンス(Data-dependent contraction)と呼ばれる手法を提案する。
この技術に加えて、不均衡学習のための微粒な一般化境界が確立され、再重み付けとロジット調整の謎を明らかにするのに役立つ。
論文 参考訳(メタデータ) (2023-10-07T09:15:08Z) - 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) - Proposal Distribution Calibration for Few-Shot Object Detection [65.19808035019031]
few-shot object detection (FSOD)では、重度のサンプル不均衡を軽減するために、2段階の訓練パラダイムが広く採用されている。
残念ながら、極端なデータ不足は、提案の分布バイアスを増大させ、RoIヘッドが新しいクラスに進化するのを妨げます。
本稿では,RoIヘッドのローカライゼーションと分類能力を高めるために,単純かつ効果的な提案分布キャリブレーション(PDC)手法を提案する。
論文 参考訳(メタデータ) (2022-12-15T05:09:11Z) - Learnable Distribution Calibration for Few-Shot Class-Incremental
Learning [122.2241120474278]
FSCIL(Few-shot class-incremental Learning)は、古いクラス分布を記憶し、少数のトレーニングサンプルから新しいクラス分布を推定するという課題に直面している。
本稿では,これら2つの課題を統一フレームワークを用いて体系的に解決することを目的とした,学習可能な分布校正手法を提案する。
論文 参考訳(メタデータ) (2022-10-01T09:40:26Z) - Scale-Equivalent Distillation for Semi-Supervised Object Detection [57.59525453301374]
近年のSemi-Supervised Object Detection (SS-OD) 法は主に自己学習に基づいており、教師モデルにより、ラベルなしデータを監視信号としてハードな擬似ラベルを生成する。
実験結果から,これらの手法が直面する課題を分析した。
本稿では,大規模オブジェクトサイズの分散とクラス不均衡に頑健な簡易かつ効果的なエンド・ツー・エンド知識蒸留フレームワークであるSED(Scale-Equivalent Distillation)を提案する。
論文 参考訳(メタデータ) (2022-03-23T07:33:37Z) - Imbalanced Data Learning by Minority Class Augmentation using Capsule
Adversarial Networks [31.073558420480964]
本稿では,2つの同時手法を合体させて,不均衡な画像のバランスを回復する手法を提案する。
我々のモデルでは、生成的および識別的ネットワークは、新しい競争力のあるゲームをする。
カプセルGANの合体は、畳み込みGANと比較して非常に少ないパラメータで重なり合うクラスを認識するのに効果的である。
論文 参考訳(メタデータ) (2020-04-05T12:36:06Z)
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。