論文の概要: Creating Ensembles of Classifiers through UMDA for Aerial Scene Classification

• arxiv url: http://arxiv.org/abs/2303.11389v2
• Date: Wed, 3 Apr 2024 11:33:14 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-04 23:37:29.510604
• Title: Creating Ensembles of Classifiers through UMDA for Aerial Scene Classification
• Title（参考訳）: 航空シーン分類のためのUMDAによる分類器のアンサンブルの作成
• Authors: Fabio A. Faria, Luiz H. Buris, Luis A. M. Pereira, Fábio A. M. Cappabianco,
• Abstract要約: リモートセンシング領域では、CNNアーキテクチャを代替ソリューションとして使用することもシーン分類タスクの現実である。 本研究は,6つのDML手法を空撮シーン分類タスクに適用し,その動作を4種類の事前学習CNNを用いて解析することを提案する。 実験では、従来の訓練済みCNNと比較して、DMLアプローチよりも優れた分類結果が得られる。
• 参考スコア（独自算出の注目度）: 0.8049701904919515
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Aerial scene classification, which aims to semantically label remote sensing images in a set of predefined classes (e.g., agricultural, beach, and harbor), is a very challenging task in remote sensing due to high intra-class variability and the different scales and orientations of the objects present in the dataset images. In remote sensing area, the use of CNN architectures as an alternative solution is also a reality for scene classification tasks. Generally, these CNNs are used to perform the traditional image classification task. However, another less used way to classify remote sensing image might be the one that uses deep metric learning (DML) approaches. In this sense, this work proposes to employ six DML approaches for aerial scene classification tasks, analysing their behave with four different pre-trained CNNs as well as combining them through the use of evolutionary computation algorithm (UMDA). In performed experiments, it is possible to observe than DML approaches can achieve the best classification results when compared to traditional pre-trained CNNs for three well-known remote sensing aerial scene datasets. In addition, the UMDA algorithm proved to be a promising strategy to combine DML approaches when there is diversity among them, managing to improve at least 5.6% of accuracy in the classification results using almost 50\% of the available classifiers for the construction of the final ensemble of classifiers.
• Abstract（参考訳）: 航空シーン分類は, 予め定義されたクラス(農業, 海岸, 港など)の集合において, リモートセンシング画像を意味的にラベル付けすることを目的としている。 リモートセンシング領域では、CNNアーキテクチャを代替ソリューションとして使用することもシーン分類タスクの現実である。 一般的に、これらのCNNは従来の画像分類タスクの実行に使用される。 しかし、リモートセンシング画像の分類に使われていない別の方法は、ディープメトリックラーニング(DML)アプローチを使うものかもしれない。 この意味で、この研究は6つのDMLアプローチを航空シーン分類タスクに適用し、4つの異なる事前学習されたCNNとそれらの振る舞いを分析し、進化計算アルゴリズム(UMDA)を用いてそれらを組み合わせることを提案する。 実験では、3つのよく知られたリモートセンシング空中シーンデータセットに対して、従来の訓練済みCNNと比較して、DMLアプローチよりも優れた分類結果を得ることができる。 さらに、UMDAアルゴリズムは、多様性のある場合のDMLアプローチを組み合わせるための有望な戦略であることが証明され、分類器の最終的なアンサンブルを構築するために、利用可能な分類器の約50%を用いて、分類結果の少なくとも5.6%の精度を向上する。

関連論文リスト

• Cross-Level Distillation and Feature Denoising for Cross-Domain Few-Shot Classification [49.36348058247138]
  トレーニング段階において,対象領域内のラベルなし画像のごく一部をアクセス可能にすることで,ドメイン間数ショット分類の問題に対処する。 我々は,対象データセットのより識別的な特徴を抽出するモデルの能力を高めるため,クロスレベルな知識蒸留法を慎重に設計する。 提案手法は,従来の動的蒸留法を5.44%,1.37%,5ショット分類法を1.37%超えることができる。
  論文  参考訳（メタデータ） (2023-11-04T12:28:04Z)
• Fine-grained Recognition with Learnable Semantic Data Augmentation [68.48892326854494]
  きめ細かい画像認識は、長年続くコンピュータビジョンの課題である。 本稿では,識別領域損失問題を軽減するため,特徴レベルのトレーニングデータを多様化することを提案する。 本手法は,いくつかの人気分類ネットワーク上での一般化性能を著しく向上させる。
  論文  参考訳（メタデータ） (2023-09-01T11:15:50Z)
• Feature Activation Map: Visual Explanation of Deep Learning Models for Image Classification [17.373054348176932]
  本研究では,機能活性化マップ (FAM) と呼ばれるポストホック解釈ツールを提案する。 FAMは、FC層を分類器として使用せずにディープラーニングモデルを解釈できる。 提案したFAMアルゴリズムの有効性を実証するために,10種類の深層学習モデルを用いて,少数ショット画像分類,コントラスト学習画像分類,画像検索タスクを行った。
  論文  参考訳（メタデータ） (2023-07-11T05:33:46Z)
• AF$_2$: Adaptive Focus Framework for Aerial Imagery Segmentation [86.44683367028914]
  航空画像のセグメンテーションにはいくつかの独特な課題があり、中でも最も重要なものは前景と背景のアンバランスにある。 本稿では,階層的なセグメンテーション手法を採用し,マルチスケール表現を適応的に活用するAdaptive Focus Framework (AF$)を提案する。 AF$は、広く使われている3つの航空ベンチマークの精度を大幅に改善した。
  論文  参考訳（メタデータ） (2022-02-18T10:14:45Z)
• Aerial Scene Parsing: From Tile-level Scene Classification to Pixel-wise Semantic Labeling [48.30060717413166]
  航空画像が与えられた場合、空中シーン解析(ASP)は、画像の各ピクセルにセマンティックラベルを割り当てることで、画像内容の意味構造を解釈する。 本稿では,Mario-AIDと呼ばれる100万件の航空画像を含む大規模シーン分類データセットを提案する。 また,古典的畳み込みニューラルネットワーク(CNN)を用いたベンチマーク実験を行い,ピクセルワイドなセマンティックラベリングを実現する。
  論文  参考訳（メタデータ） (2022-01-06T07:40:47Z)
• MeerCRAB: MeerLICHT Classification of Real and Bogus Transients using Deep Learning [0.0]
  本論文では,$textttMeerCRAB$という畳み込みニューラルネットワークアーキテクチャに基づくディープラーニングパイプラインを提案する。 MeerLICHT望遠鏡の過渡検出パイプラインで、真の天体物理源からいわゆる「ボグ」検出をフィルタリングするように設計されています。
  論文  参考訳（メタデータ） (2021-04-28T18:12:51Z)
• Region Comparison Network for Interpretable Few-shot Image Classification [97.97902360117368]
  新しいクラスのモデルをトレーニングするために、ラベル付きサンプルの限られた数だけを効果的に活用するための画像分類が提案されている。 本研究では,領域比較ネットワーク (RCN) と呼ばれる距離学習に基づく手法を提案する。 また,タスクのレベルからカテゴリへの解釈可能性の一般化も提案する。
  論文  参考訳（メタデータ） (2020-09-08T07:29:05Z)
• Fine-Grained Visual Classification with Efficient End-to-end Localization [49.9887676289364]
  本稿では,エンド・ツー・エンドの設定において,分類ネットワークと融合可能な効率的なローカライゼーションモジュールを提案する。 我々は,CUB200-2011,Stanford Cars,FGVC-Aircraftの3つのベンチマークデータセット上で,新しいモデルを評価する。
  論文  参考訳（メタデータ） (2020-05-11T14:07:06Z)
• Weakly-supervised Object Localization for Few-shot Learning and Fine-grained Few-shot Learning [0.5156484100374058]
  少数のサンプルから新しい視覚カテゴリーを学習することを目的としている。 本稿では,自己認識型補完モジュール(SACモジュール)を提案する。 また,数発の分類のために,識別的深層記述子を選択するためのアクティブマスクも生成する。
  論文  参考訳（メタデータ） (2020-03-02T14:07:05Z)

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。