論文の概要: Nearest Neighbor-Based Contrastive Learning for Hyperspectral and LiDAR Data Classification

• arxiv url: http://arxiv.org/abs/2301.03335v1
• Date: Mon, 9 Jan 2023 13:43:54 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-10 18:12:33.677779
• Title: Nearest Neighbor-Based Contrastive Learning for Hyperspectral and LiDAR Data Classification
• Title（参考訳）: ハイパースペクトルとLiDARデータ分類のための最も近い隣り合わせのコントラスト学習
• Authors: Meng Wang, Feng Gao, Junyu Dong, Heng-Chao Li, Qian Du
• Abstract要約: 本稿では,Nearest Neighbor-based Contrastive Learning Network (NNCNet)を提案する。 具体的には,近隣地域間のセマンティック関係を強化した近傍データ拡張手法を提案する。 さらに,HSIデータとLiDARデータ間の2次・高次特徴相互作用を生かしたバイリニアアテンションモジュールを設計する。
• 参考スコア（独自算出の注目度）: 45.026868970899514
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The joint hyperspectral image (HSI) and LiDAR data classification aims to interpret ground objects at more detailed and precise level. Although deep learning methods have shown remarkable success in the multisource data classification task, self-supervised learning has rarely been explored. It is commonly nontrivial to build a robust self-supervised learning model for multisource data classification, due to the fact that the semantic similarities of neighborhood regions are not exploited in existing contrastive learning framework. Furthermore, the heterogeneous gap induced by the inconsistent distribution of multisource data impedes the classification performance. To overcome these disadvantages, we propose a Nearest Neighbor-based Contrastive Learning Network (NNCNet), which takes full advantage of large amounts of unlabeled data to learn discriminative feature representations. Specifically, we propose a nearest neighbor-based data augmentation scheme to use enhanced semantic relationships among nearby regions. The intermodal semantic alignments can be captured more accurately. In addition, we design a bilinear attention module to exploit the second-order and even high-order feature interactions between the HSI and LiDAR data. Extensive experiments on four public datasets demonstrate the superiority of our NNCNet over state-of-the-art methods. The source codes are available at \url{https://github.com/summitgao/NNCNet}.
• Abstract（参考訳）: 共同ハイパースペクトル画像(HSI)とLiDARデータ分類は、より詳細に正確なレベルで地上の物体を解釈することを目的としている。 深層学習法は多元データ分類タスクにおいて著しく成功したが、自己教師あり学習はほとんど研究されていない。 多元データ分類のためのロバストな自己教師付き学習モデルを構築するのは、近隣地域の意味的類似性が既存のコントラスト学習フレームワークでは利用されないため、一般的に非自明である。 さらに,マルチソースデータの不整合分布に起因する異種間隙は,その分類性能を阻害する。 そこで,これらの欠点を克服するために,大量のラベルなしデータを最大限活用して識別的特徴表現を学習する最寄りのnearne-based contrastive learning network (nncnet)を提案する。 具体的には,近隣地域間のセマンティック関係を強化した近傍データ拡張手法を提案する。 インターモーダルセマンティクスアライメントをより正確に捉えることができる。 さらに, hsiデータとlidarデータ間の2次および高次特徴の相互作用を利用した2次アテンションモジュールの設計を行った。 4つのパブリックデータセットに関する広範な実験は、最先端のメソッドよりもncnetの方が優れていることを示している。 ソースコードは \url{https://github.com/summitgao/nncnet} で入手できる。

関連論文リスト

• Deep Boosting Learning: A Brand-new Cooperative Approach for Image-Text Matching [53.05954114863596]
  画像テキストマッチングのための新しいDeep Boosting Learning (DBL)アルゴリズムを提案する。 アンカーブランチは、まずデータプロパティに関する洞察を提供するために訓練される。 ターゲットブランチは、一致したサンプルと未一致のサンプルとの相対距離をさらに拡大するために、より適応的なマージン制約を同時に課される。
  論文  参考訳（メタデータ） (2024-04-28T08:44:28Z)
• DNA: Denoised Neighborhood Aggregation for Fine-grained Category Discovery [25.836440772705505]
  本稿では,データのセマンティック構造を埋め込み空間にエンコードする自己教師型フレームワークを提案する。 我々は、クエリのk-nearest隣人を正のキーとして検索し、データ間のセマンティックな類似性を捉え、隣人からの情報を集約し、コンパクトなクラスタ表現を学ぶ。 我々の手法は、より正確な隣人(21.31%の精度改善)を検索し、最先端のモデルよりも大きなマージンで性能を向上することができる。
  論文  参考訳（メタデータ） (2023-10-16T07:43:30Z)
• Divide and Contrast: Source-free Domain Adaptation via Adaptive Contrastive Learning [122.62311703151215]
  Divide and Contrast (DaC) は、それぞれの制限を回避しつつ、両方の世界の善良な端を接続することを目的としている。 DaCは、ターゲットデータをソースライクなサンプルとターゲット固有なサンプルに分割する。 さらに、ソースライクなドメインと、メモリバンクベースの最大平均離散性(MMD)損失を用いて、ターゲット固有のサンプルとを整合させて、分散ミスマッチを低減する。
  論文  参考訳（メタデータ） (2022-11-12T09:21:49Z)
• Voxel-wise Adversarial Semi-supervised Learning for Medical Image Segmentation [4.489713477369384]
  医用画像セグメンテーションのための新しい対向学習に基づく半教師付きセグメンテーション手法を提案する。 本手法では,複数の階層から局所的特徴とグローバルな特徴を埋め込んで,複数のクラス間のコンテキスト関係を学習する。 左心房(シングルクラス)とマルチオーガニックデータセット(マルチクラス)のイメージセグメンテーションにおける、最先端の半教師あり学習手法よりも優れています。
  論文  参考訳（メタデータ） (2022-05-14T06:57:19Z)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)
• ORDisCo: Effective and Efficient Usage of Incremental Unlabeled Data for Semi-supervised Continual Learning [52.831894583501395]
  連続学習は、入力されたデータが完全にラベル付けされていると仮定し、実際のアプリケーションでは適用できないかもしれない。 我々は、条件付き生成逆数ネットワーク(GAN)を用いた分類器を相互に学習するために、識別器整合(ORDisCo)を用いたディープオンライン再生を提案する。 ORDisCo が SSCL の様々な半教師付き学習ベンチマークデータセットで大幅なパフォーマンス向上を達成していることを示します。
  論文  参考訳（メタデータ） (2021-01-02T09:04:14Z)
• Learning Robust Representation for Clustering through Locality Preserving Variational Discriminative Network [16.259673823482665]
  Variational Deep Embeddingは、さまざまなクラスタリングタスクで大きな成功を収めます。 VaDEは,1)入力ノイズに弱い,2)隣接するデータポイント間の局所性情報を無視する,という2つの問題に悩まされている。 強固な埋め込み判別器と局所構造制約によりvadeを改善する共同学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-12-25T02:31:55Z)
• Contextual Diversity for Active Learning [9.546771465714876]
  大規模なデータセットは、多くの実用化のためにディープ畳み込みニューラルネットワーク(CNN)の使用を制限する。 空間的に共起するクラスに関連した混乱を捉える文脈的多様性の概念を導入する。 本研究は,活発な学習に文脈的多様性を用いることの利点を明らかにした。
  論文  参考訳（メタデータ） (2020-08-13T07:04:15Z)
• Diversity inducing Information Bottleneck in Model Ensembles [73.80615604822435]
  本稿では,予測の多様性を奨励することで,ニューラルネットワークの効果的なアンサンブルを生成する問題をターゲットにする。 そこで本研究では,潜伏変数の学習における逆損失の多様性を明示的に最適化し,マルチモーダルデータのモデリングに必要な出力予測の多様性を得る。 最も競争力のあるベースラインと比較して、データ分布の変化の下で、分類精度が大幅に向上した。
  論文  参考訳（メタデータ） (2020-03-10T03:10:41Z)

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。