論文の概要: Generative Reasoning Integrated Label Noise Robust Deep Image Representation Learning in Remote Sensing

• arxiv url: http://arxiv.org/abs/2212.01261v1
• Date: Fri, 2 Dec 2022 15:57:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-05 17:09:41.287495
• Title: Generative Reasoning Integrated Label Noise Robust Deep Image Representation Learning in Remote Sensing
• Title（参考訳）: リモートセンシングにおける生成推論統合ラベル雑音ロバスト深画像表現学習
• Authors: Gencer Sumbul and Beg\"um Demir
• Abstract要約: 本稿では,GRID (Generative reasoning integrated label robust representation learning) アプローチを提案する。 GRIDは、ノイズラベル下でのIRLの識別的および生成的推論の相補的特性をモデル化することを目的としている。 本手法は,IRL法とは独立にトレーニング中のノイズラベルの干渉を防止しつつ,識別的画像表現を学習する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The development of deep learning based image representation learning (IRL) methods has attracted great attention in the context of remote sensing (RS) image understanding. Most of these methods require the availability of a high quantity and quality of annotated training images, which can be time-consuming and costly to gather. To reduce labeling costs, publicly available thematic maps, automatic labeling procedures or crowdsourced data can be used. However, such approaches increase the risk of including label noise in training data. It may result in overfitting on noisy labels when discriminative reasoning is employed as in most of the existing methods. This leads to sub-optimal learning procedures, and thus inaccurate characterization of RS images. In this paper, as a first time in RS, we introduce a generative reasoning integrated label noise robust representation learning (GRID) approach. GRID aims to model the complementary characteristics of discriminative and generative reasoning for IRL under noisy labels. To this end, we first integrate generative reasoning into discriminative reasoning through a variational autoencoder. This allows our approach to automatically detect training samples with noisy labels. Then, through our label noise robust hybrid representation learning strategy, GRID adjusts the whole learning procedure for IRL of these samples through generative reasoning and that of the other samples through discriminative reasoning. Our approach learns discriminative image representations while preventing interference of noisy labels during training independently from the IRL method. Thus, unlike the existing methods, GRID does not depend on the type of annotation, label noise, neural network, loss or learning task, and thus can be utilized for various RS image understanding problems. Experimental results show the effectiveness of GRID compared to state-of-the-art methods.
• Abstract（参考訳）: 深層学習に基づく画像表現学習(irl)手法の開発は,リモートセンシング(rs)画像理解の文脈において大きな注目を集めている。 これらの手法の多くは、大量の注釈付き訓練画像の可用性と品質を必要としており、収集には時間と費用がかかる。 ラベリングコストを削減するために、公開可能なテーママップ、自動ラベリング手順、クラウドソースデータを使用することができる。 しかしながら、このようなアプローチは、トレーニングデータにラベルノイズを含めるリスクを増大させる。 既存の方法と同様に差別的推論が採用される場合、ノイズラベルが過度に適合する可能性がある。 これにより、準最適学習手順が導かれ、RS画像の特徴が不正確になる。 本稿では、RSにおいてはじめて、生成的推論統合型ラベル頑健な表現学習(GRID)手法を提案する。 GRIDはノイズラベル下でのIRLの識別的および生成的推論の相補的特性をモデル化することを目的としている。 そこで我々はまず,変分オートエンコーダを用いて生成的推論を識別的推論に統合する。 これにより、ノイズラベルによるトレーニングサンプルの自動検出が可能となる。 そして,ラベルノイズによる頑健なハイブリッド表現学習戦略を通じて,これらのサンプルのIRLの学習手順全体を,識別的推論により生成的推論と他のサンプルの学習手法によって調整する。 本手法は,IRL法とは独立にトレーニング中のノイズラベルの干渉を防止しつつ,識別的画像表現を学習する。 したがって、既存の手法とは異なり、GRIDはアノテーションの種類、ラベルノイズ、ニューラルネットワーク、損失または学習タスクに依存しないので、様々なRS画像理解問題に利用できる。 実験の結果, GRID は最先端手法と比較して有効であった。

関連論文リスト

• ERASE: Error-Resilient Representation Learning on Graphs for Label Noise Tolerance [53.73316938815873]
  本稿では, ERASE (Error-Resilient representation learning on graphs for lAbel noiSe tolerancE) という手法を提案する。 ERASEは、プロトタイプの擬似ラベルとプロパゲーションされた識別ラベルを組み合わせて、表現をエラーレジリエンスで更新する。 提案手法は, 広い雑音レベルにおいて, 複数のベースラインをクリアマージンで上回り, 高いスケーラビリティを享受できる。
  論文  参考訳（メタデータ） (2023-12-13T17:59:07Z)
• Combating Label Noise With A General Surrogate Model For Sample Selection [84.61367781175984]
  本稿では,視覚言語サロゲートモデルCLIPを用いて,雑音の多いサンプルを自動的にフィルタリングする手法を提案する。 提案手法の有効性を実世界および合成ノイズデータセットで検証した。
  論文  参考訳（メタデータ） (2023-10-16T14:43:27Z)
• Partial Label Supervision for Agnostic Generative Noisy Label Learning [18.29334728940232]
  ノイズラベル学習は差別的アプローチと生成的アプローチの両方に取り組んできた。 本稿では,これらの課題に対処する生成ノイズラベル学習のための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2023-08-02T14:48:25Z)
• Label Noise Robust Image Representation Learning based on Supervised Variational Autoencoders in Remote Sensing [0.0]
  本稿では、IRL上のノイズラベルの干渉を防止することを目的とした、ラベル頑健なIRL法を提案する。 提案手法は,ノイズのあるラベルを持つ画像に対してより重要度が低く,適切なラベルを持つ画像に対してより重要度が高い。 提案手法のコードはhttps://git.tu-berlin.de/rsim/RS-IRL-SVAEで公開されている。
  論文  参考訳（メタデータ） (2023-06-14T15:22:36Z)
• Instance-Dependent Noisy Label Learning via Graphical Modelling [30.922188228545906]
  ディープラーニングのエコシステムでは、モデルが簡単に過度に適合できるため、ノイズの多いラベルは厄介です。 本稿では、識別モデルと生成モデルを組み合わせた、インスタンスGMと呼ばれる新しいグラフィカルモデリング手法を提案する。
  論文  参考訳（メタデータ） (2022-09-02T09:27:37Z)
• Learning to Aggregate and Refine Noisy Labels for Visual Sentiment Analysis [69.48582264712854]
  本研究では,頑健な視覚的感情分析を行うための頑健な学習手法を提案する。 本手法は,トレーニング中にノイズラベルを集約・フィルタリングするために外部メモリに依存している。 公開データセットを用いたラベルノイズを用いた視覚的感情分析のベンチマークを構築した。
  論文  参考訳（メタデータ） (2021-09-15T18:18:28Z)
• Annotation-Efficient Learning for Medical Image Segmentation based on Noisy Pseudo Labels and Adversarial Learning [12.781598229608983]
  医療画像セグメンテーションのためのアノテーション効率の高い学習フレームワークを提案する。 我々は、改良されたサイクル一貫性生成適応ネットワーク(GAN)を用いて、障害のない医療画像と補助マスクのセットから学習する。 基礎画像の光学ディスクや超音波画像の胎児頭部のような単純な形状の物体、X線画像の肺やCT画像の肝臓のような複雑な構造、という2つの状況で、我々の枠組みを検証した。
  論文  参考訳（メタデータ） (2020-12-29T03:22:41Z)
• Noisy Labels Can Induce Good Representations [53.47668632785373]
  アーキテクチャがノイズラベルによる学習に与える影響について検討する。 ノイズラベルを用いたトレーニングは,モデルが一般化に乏しい場合でも,有用な隠れ表現を誘導できることを示す。 この発見は、騒々しいラベルで訓練されたモデルを改善する簡単な方法につながります。
  論文  参考訳（メタデータ） (2020-12-23T18:58:05Z)
• 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)
• Data-driven Meta-set Based Fine-Grained Visual Classification [61.083706396575295]
  本稿では, ノイズの多いWeb画像に対して, 微粒化認識のためのデータ駆動型メタセットベースアプローチを提案する。 具体的には、少量のクリーンなメタセットでガイドされ、メタラーニング方式で選択ネットを訓練し、分布内および分布外ノイズ画像の識別を行う。
  論文  参考訳（メタデータ） (2020-08-06T03:04:16Z)

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。