論文の概要: Land Cover and Land Use Detection using Semi-Supervised Learning
- arxiv url: http://arxiv.org/abs/2212.11211v1
- Date: Wed, 21 Dec 2022 17:36:28 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-22 15:11:50.060006
- Title: Land Cover and Land Use Detection using Semi-Supervised Learning
- Title（参考訳）: 半監督学習を用いた土地被覆・土地利用検知
- Authors: Fahmida Tasnim Lisa, Md. Zarif Hossain, Sharmin Naj Mou, Shahriar
Ivan, and Md. Hasanul Kabir (Islamic University of Technology, Gazipur,
Bangladesh)
- Abstract要約: ラベルを作成し、適切な精度でモデルをトレーニングします。
我々は、EuroSAT、UCM、WHU-RS19という、さまざまなタイプの不均衡衛星画像データセットを使用している。
我々のアプローチはラベル付きデータの要求を大幅に減らし、代替手法を一貫して上回り、データセットのクラス不均衡に起因するモデルバイアスの問題を解決する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Semi-supervised learning (SSL) has made significant strides in the field of
remote sensing. Finding a large number of labeled datasets for SSL methods is
uncommon, and manually labeling datasets is expensive and time-consuming.
Furthermore, accurately identifying remote sensing satellite images is more
complicated than it is for conventional images. Class-imbalanced datasets are
another prevalent phenomenon, and models trained on these become biased towards
the majority classes. This becomes a critical issue with an SSL model's subpar
performance. We aim to address the issue of labeling unlabeled data and also
solve the model bias problem due to imbalanced datasets while achieving better
accuracy. To accomplish this, we create "artificial" labels and train a model
to have reasonable accuracy. We iteratively redistribute the classes through
resampling using a distribution alignment technique. We use a variety of class
imbalanced satellite image datasets: EuroSAT, UCM, and WHU-RS19. On UCM
balanced dataset, our method outperforms previous methods MSMatch and FixMatch
by 1.21% and 0.6%, respectively. For imbalanced EuroSAT, our method outperforms
MSMatch and FixMatch by 1.08% and 1%, respectively. Our approach significantly
lessens the requirement for labeled data, consistently outperforms alternative
approaches, and resolves the issue of model bias caused by class imbalance in
datasets.
- Abstract（参考訳）: 半教師付き学習(SSL)はリモートセンシングの分野で大きな進歩を遂げている。
SSLメソッド用の多数のラベル付きデータセットを見つけることは珍しく、手動でデータセットをラベル付けするのは高価で時間がかかる。
さらに、リモートセンシング衛星画像の正確な識別は、従来の画像よりも複雑である。
クラス不均衡データセットもまた一般的な現象であり、トレーニングされたモデルは多数派に偏っている。
これはSSLモデルのサブパーパフォーマンスにおいて重要な問題となる。
ラベルなしデータのラベル付けの問題に対処し,不均衡データセットによるモデルバイアス問題にも対処し,精度の向上を目指す。
これを実現するために、私たちは"人工"ラベルを作成し、適切な精度でモデルをトレーニングします。
分布アライメント手法を用いて,再サンプリングによって繰り返しクラスを再編成する。
我々は、eurosat、umm、whu-rs19など、様々なクラス不均衡衛星画像データセットを使用している。
ucmバランスデータセットでは,従来のmsmatch法とfixmatch法をそれぞれ1.21%,0.6%上回っている。
不均衡なEuroSATでは,MSMatchとFixMatchをそれぞれ1.08%,FixMatchを1%向上させた。
我々のアプローチはラベル付きデータの要求を大幅に減らし、代替手法を一貫して上回り、データセットのクラス不均衡に起因するモデルバイアスの問題を解決する。
関連論文リスト
- Continuous Contrastive Learning for Long-Tailed Semi-Supervised Recognition [50.61991746981703]
現在の最先端のLTSSLアプローチは、大規模な未ラベルデータに対して高品質な擬似ラベルに依存している。
本稿では,長期学習における様々な提案を統一する新しい確率的枠組みを提案する。
我々は、信頼度とスムーズな擬似ラベルを用いて、我々のフレームワークをラベルなしデータに拡張する、連続的コントラスト学習手法であるCCLを導入する。
論文 参考訳（メタデータ） (2024-10-08T15:06:10Z) - FlatMatch: Bridging Labeled Data and Unlabeled Data with Cross-Sharpness
for Semi-Supervised Learning [73.13448439554497]
Semi-Supervised Learning (SSL) は、ラベル付きデータが極めて少ない豊富なラベル付きデータを活用する効果的な方法である。
ほとんどのSSLメソッドは、通常、異なるデータ変換間のインスタンス単位の一貫性に基づいている。
本研究では,2つのデータセット間の一貫した学習性能を確保するために,クロスシャープネス尺度を最小化するFlatMatchを提案する。
論文 参考訳（メタデータ） (2023-10-25T06:57:59Z) - Semi-Supervised Learning with Multiple Imputations on Non-Random Missing
Labels [0.0]
Semi-Supervised Learning (SSL)は、ラベル付きデータとラベルなしデータの両方でアルゴリズムがトレーニングされるときに実装される。
本稿では,より高精度でバイアスの少ない複数の計算モデルを組み合わせるための2つの新しい手法を提案する。
論文 参考訳（メタデータ） (2023-08-15T04:09:53Z) - An Embarrassingly Simple Baseline for Imbalanced Semi-Supervised
Learning [103.65758569417702]
半教師付き学習(SSL)は、ラベルのないデータを活用してモデルのパフォーマンスを向上させるという大きな約束を示している。
我々は、ラベル付きデータとラベルなしデータの両方で不均衡なクラス分散が発生する不均衡SSLという、より現実的で困難な設定について検討する。
我々は、ラベル付きデータを擬似ラベルで単純に補うことで、データの不均衡に取り組む単純なベースライン、SimiSについて研究する。
論文 参考訳（メタデータ） (2022-11-20T21:18:41Z) - BASIL: Balanced Active Semi-supervised Learning for Class Imbalanced
Datasets [14.739359755029353]
現在の半教師付き学習(SSL)メソッドは、ラベル付きデータセットとラベルなしデータセットの両方で、各クラスで利用可能なデータポイントの数の間のバランスを前提としている。
本研究では,サブモジュール相互情報(SMI)関数をクラスごとに最適化し,アクティブな学習ループにおけるバランスの取れたデータセットを徐々に選択するアルゴリズムであるBASILを提案する。
論文 参考訳（メタデータ） (2022-03-10T21:34:08Z) - Class-Aware Contrastive Semi-Supervised Learning [51.205844705156046]
本研究では,擬似ラベル品質を向上し,実環境におけるモデルの堅牢性を高めるため,CCSSL(Class-Aware Contrastive Semi-Supervised Learning)と呼ばれる一般的な手法を提案する。
提案するCCSSLは,標準データセットCIFAR100とSTL10の最先端SSLメソッドに対して,大幅な性能向上を実現している。
論文 参考訳（メタデータ） (2022-03-04T12:18:23Z) - Improving Contrastive Learning on Imbalanced Seed Data via Open-World
Sampling [96.8742582581744]
我々は、Model-Aware K-center (MAK)と呼ばれるオープンワールドなラベルなしデータサンプリングフレームワークを提案する。
MAKは、尾性、近接性、多様性の3つの単純な原則に従う。
我々はMAKが学習した機能の全体的な表現品質とクラスバランス性の両方を継続的に改善できることを実証した。
論文 参考訳（メタデータ） (2021-11-01T15:09:41Z) - BiSTF: Bilateral-Branch Self-Training Framework for Semi-Supervised
Large-scale Fine-Grained Recognition [28.06659482245647]
半教師付きファイングラインド認識は、データ不均衡、高いクラス間類似性、ドメインミスマッチによる課題である。
本稿では,バイラテラルブランチ・セルフトレーニング・フレームワーク (Bilateral-Branch Self-Training Framework, BiSTF) を提案する。
BiSTFはSemi-iNatデータセット上で既存の最先端SSLよりも優れています。
論文 参考訳（メタデータ） (2021-07-14T15:28:54Z) - FixMatch: Simplifying Semi-Supervised Learning with Consistency and
Confidence [93.91751021370638]
半教師付き学習(SSL)は、ラベルのないデータを活用してモデルの性能を向上させる効果的な手段を提供する。
本稿では、整合正則化と擬似ラベル付けという2つの共通SSL手法の単純な組み合わせのパワーを実証する。
筆者らのアルゴリズムであるFixMatchは、まず、弱拡張未ラベル画像上のモデルの予測を用いて擬似ラベルを生成する。
論文 参考訳（メタデータ） (2020-01-21T18:32:27Z)
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。