論文の概要: DGP-Net: Dense Graph Prototype Network for Few-Shot SAR Target
Recognition
- arxiv url: http://arxiv.org/abs/2302.09584v1
- Date: Sun, 19 Feb 2023 14:33:28 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-21 17:41:50.150019
- Title: DGP-Net: Dense Graph Prototype Network for Few-Shot SAR Target
Recognition
- Title(参考訳): DGP-Net:Few-Shot SARターゲット認識のための高密度グラフプロトタイプネットワーク
- Authors: Xiangyu Zhou, Qianru Wei, Yuhui Zhang
- Abstract要約: 本稿では,潜在的特徴の学習による特徴偏差を解消し,特徴分布の学習による分類を行うためのグラフプロトタイプネットワーク(DGP-Net)を提案する。
MSTARデータセットの実験結果から,DGP-Netは異なる角度のSAR画像に対して良好な分類結果が得られることが示された。
- 参考スコア(独自算出の注目度): 13.870840442814735
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The inevitable feature deviation of synthetic aperture radar (SAR) image due
to the special imaging principle (depression angle variation) leads to poor
recognition accuracy, especially in few-shot learning (FSL). To deal with this
problem, we propose a dense graph prototype network (DGP-Net) to eliminate the
feature deviation by learning potential features, and classify by learning
feature distribution. The role of the prototype in this model is to solve the
problem of large distance between congeneric samples taken due to the
contingency of single sampling in FSL, and enhance the robustness of the model.
Experimental results on the MSTAR dataset show that the DGP-Net has good
classification results for SAR images with different depression angles and the
recognition accuracy of it is higher than typical FSL methods.
- Abstract(参考訳): 合成開口レーダ(SAR)画像の特殊な撮像原理(圧縮角の変動)による必然的特徴偏差は、特に数ショット学習(FSL)において、認識精度の低下につながる。
この問題に対処するために,ポテンシャル特徴の学習による特徴偏差を解消し,特徴分布の学習による分類を行うためのグラフプロトタイプネットワーク(DGP-Net)を提案する。
本モデルにおける試作機の役割は,FSLにおける単一サンプリングの持続性に起因する同種試料間の距離の増大を解消し,モデルのロバスト性を高めることである。
MSTARデータセットを用いた実験結果から,DGP-Netは抑うつ角度の異なるSAR画像に対して良好な分類結果を示し,認識精度は通常のFSL法よりも高いことがわかった。
関連論文リスト
- DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。
画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。
MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
論文 参考訳(メタデータ) (2023-12-11T18:38:28Z) - UNIQA: A Unified Framework for Both Full-Reference and No-Reference
Image Quality Assessment [53.895598734070695]
完全参照(FR)と非参照(NR)のIQAのための統一ネットワークを提案する。
入力画像から多レベル特徴を抽出するためにエンコーダを用いる。
FRおよびNR入力のユニバーサルアダプタとして階層自己認識(HSA)モジュールを提案する。
HSA と CSCA を採用することにより,提案ネットワークは FR と NR IQA の両方を効果的に実行することができる。
論文 参考訳(メタデータ) (2023-10-14T11:03:04Z) - An Adaptive Plug-and-Play Network for Few-Shot Learning [12.023266104119289]
少数のサンプルから学んだ後、新しいサンプルを分類するモデルが必要である。
ディープネットワークと複雑なメトリクスはオーバーフィッティングを引き起こす傾向があり、パフォーマンスをさらに改善することは困難である。
プラグアンドプレイ型モデル適応型リサイザ (MAR) とアダプティブ類似度測定器 (ASM) をその他の損失なく提案する。
論文 参考訳(メタデータ) (2023-02-18T13:25:04Z) - JPEG Steganalysis Based on Steganographic Feature Enhancement and Graph
Attention Learning [15.652077779677091]
JPEGステガナリシスのための表現学習アルゴリズムを提案する。
グラフ注意学習モジュールは、畳み込みニューラルネットワークの局所的特徴学習によるグローバルな特徴損失を回避するように設計されている。
本発明の特徴強化モジュールは、畳み込み層の積み重ねがステガノグラフ情報を弱めるのを防止するために適用される。
論文 参考訳(メタデータ) (2023-02-05T01:42:19Z) - Self-Supervised Training with Autoencoders for Visual Anomaly Detection [55.52743265122446]
ディープオートエンコーダは視覚領域における異常検出のタスクに使われてきた。
我々は、訓練中に識別情報を使用することが可能な自己指導型学習体制を適用することで、この問題に対処する。
MVTec ADデータセットを用いた実験では,高い検出性能と局所化性能を示した。
論文 参考訳(メタデータ) (2022-06-23T14:16:30Z) - Model Inspired Autoencoder for Unsupervised Hyperspectral Image
Super-Resolution [25.878793557013207]
本稿では,低空間分解能HSIと高空間分解能マルチスペクトル像の融合を目的とした超高分解能画像(HSI)に焦点を当てた。
既存のディープラーニングベースのアプローチは、主に多数のラベル付きトレーニングサンプルに依存する教師付きである。
我々は、HSI超解像のためのモデルにインスパイアされたディープネットワークを教師なしで設計する最初の試みを行う。
論文 参考訳(メタデータ) (2021-10-22T05:15:16Z) - Automated Prostate Cancer Diagnosis Based on Gleason Grading Using
Convolutional Neural Network [12.161266795282915]
そこで本研究では,前立腺癌(PCa)の完全分類のための畳み込みニューラルネットワーク(CNN)を用いた自動分類法を提案する。
Patch-Based Image Reconstruction (PBIR) と呼ばれるデータ拡張手法が提案され,WSIの高分解能化と多様性の向上が図られた。
対象データセットへの事前学習モデルの適応性を高めるために,分布補正モジュールを開発した。
論文 参考訳(メタデータ) (2020-11-29T06:42:08Z) - Shaping Deep Feature Space towards Gaussian Mixture for Visual
Classification [74.48695037007306]
視覚分類のためのディープニューラルネットワークのためのガウス混合損失関数(GM)を提案する。
分類マージンと可能性正規化により、GM損失は高い分類性能と特徴分布の正確なモデリングの両方を促進する。
提案したモデルは、追加のトレーニング可能なパラメータを使わずに、簡単かつ効率的に実装できる。
論文 参考訳(メタデータ) (2020-11-18T03:32:27Z) - Remote Sensing Image Scene Classification with Self-Supervised Paradigm
under Limited Labeled Samples [11.025191332244919]
我々は,大規模なラベル付きデータからRSIシーン分類のための高性能事前学習モデルを得るために,新たな自己教師付き学習(SSL)機構を導入する。
一般的な3つのRSIシーン分類データセットの実験により、この新たな学習パラダイムは、従来の支配的なImageNet事前学習モデルよりも優れていることが示された。
我々の研究から得られた知見は、リモートセンシングコミュニティにおけるSSLの発展を促進するのに役立ちます。
論文 参考訳(メタデータ) (2020-10-02T09:27:19Z) - Salvage Reusable Samples from Noisy Data for Robust Learning [70.48919625304]
本稿では,Web画像を用いた深部FGモデルのトレーニングにおいて,ラベルノイズに対処するための再利用可能なサンプル選択と修正手法を提案する。
私たちのキーとなるアイデアは、再利用可能なサンプルの追加と修正を行い、それらをクリーンな例とともに活用してネットワークを更新することです。
論文 参考訳(メタデータ) (2020-08-06T02:07:21Z) - Multi-Scale Positive Sample Refinement for Few-Shot Object Detection [61.60255654558682]
Few-shot Object Detection (FSOD) は、ディテクターがトレーニングインスタンスをほとんど持たない未確認のクラスに適応するのに役立つ。
FSODにおけるオブジェクトスケールを拡張化するためのMPSR(Multi-scale Positive Sample Refinement)アプローチを提案する。
MPSRは、オブジェクトピラミッドとして多スケールの正のサンプルを生成し、様々なスケールで予測を洗練させる。
論文 参考訳(メタデータ) (2020-07-18T09:48:29Z)
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。