論文の概要: GeoNet: Benchmarking Unsupervised Adaptation across Geographies

• arxiv url: http://arxiv.org/abs/2303.15443v1
• Date: Mon, 27 Mar 2023 17:59:34 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-28 14:00:10.219303
• Title: GeoNet: Benchmarking Unsupervised Adaptation across Geographies
• Title（参考訳）: GeoNet: 地理にまたがる教師なし適応のベンチマーク
• Authors: Tarun Kalluri, Wangdong Xu, Manmohan Chandraker
• Abstract要約: 地理的ロバスト性の問題について検討し、3つの主要な貢献を行う。 まず,地理的適応のための大規模データセットGeoNetを紹介する。 第2に、シーンコンテキストにおける大きな変化から、ドメインシフトの主な原因が生じるという仮説を立てる。 第3に、最先端の教師なしドメイン適応アルゴリズムとアーキテクチャを広範囲に評価する。
• 参考スコア（独自算出の注目度）: 71.23141626803287
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In recent years, several efforts have been aimed at improving the robustness of vision models to domains and environments unseen during training. An important practical problem pertains to models deployed in a new geography that is under-represented in the training dataset, posing a direct challenge to fair and inclusive computer vision. In this paper, we study the problem of geographic robustness and make three main contributions. First, we introduce a large-scale dataset GeoNet for geographic adaptation containing benchmarks across diverse tasks like scene recognition (GeoPlaces), image classification (GeoImNet) and universal adaptation (GeoUniDA). Second, we investigate the nature of distribution shifts typical to the problem of geographic adaptation and hypothesize that the major source of domain shifts arise from significant variations in scene context (context shift), object design (design shift) and label distribution (prior shift) across geographies. Third, we conduct an extensive evaluation of several state-of-the-art unsupervised domain adaptation algorithms and architectures on GeoNet, showing that they do not suffice for geographical adaptation, and that large-scale pre-training using large vision models also does not lead to geographic robustness. Our dataset is publicly available at https://tarun005.github.io/GeoNet.
• Abstract（参考訳）: 近年では、訓練中に見えない領域や環境に対する視覚モデルの堅牢性向上を目的としている。 重要な実用的問題は、トレーニングデータセットに未表示の新しい地理にデプロイされたモデルに関するもので、公平で包括的なコンピュータビジョンへの直接的な挑戦となる。 本稿では,地理的ロバスト性の問題を調査し,三つの主な貢献を行う。 まず,画像認識(geoplaces),画像分類(geoimnet),ユニバーサル適応(geounida)といった様々なタスクのベンチマークを含む,地理的適応のための大規模データセットジオネットを提案する。 第2に,地理的適応の問題に典型的な分布シフトの性質と,領域シフトの主な発生源が,シーンコンテキスト(コンテキストシフト),オブジェクト設計(デザインシフト),ラベル分布(プライオリシフト)の大幅な変化から生じると仮定する。 第3に,GeoNetにおける最先端の教師なしドメイン適応アルゴリズムとアーキテクチャの広範な評価を行い,地理的適応には適さないこと,大規模ビジョンモデルを用いた大規模事前学習が地理的ロバスト性にも寄与しないことを示す。 私たちのデータセットはhttps://tarun005.github.io/GeoNetで公開されています。

関連論文リスト

• Learning Geospatial Region Embedding with Heterogeneous Graph [16.864563545518124]
  様々な下流タスクに対する包括的領域埋め込みを学習するための有効なヘテロジニアスグラフ構造であるGeoHGを提案する。 具体的には、地理的領域分割とPOI(point-of-interest)統合による衛星画像表現学習を、表現的地域内特徴のために調整する。 GeoHGは情報的空間依存性と社会環境特性を強力なヘテロジニアスグラフに統合し、高次の地域間関係の明示的なモデリングを促進する。
  論文  参考訳（メタデータ） (2024-05-23T03:19:02Z)
• CurriculumLoc: Enhancing Cross-Domain Geolocalization through Multi-Stage Refinement [11.108860387261508]
  ビジュアルジオローカライゼーションはコスト効率が高くスケーラブルなタスクであり、未知の場所で撮影された1つ以上のクエリイメージとジオタグ付き参照イメージのセットをマッチングする。 我々は,グローバルな意味認識と局所的幾何学的検証を備えたキーポイント検出と記述法であるCurriculumLocを開発した。 我々は、ALTOで62.6%と94.5%の新しいハイリコール@1スコアをそれぞれ2つの異なる距離で達成した。
  論文  参考訳（メタデータ） (2023-11-20T08:40:01Z)
• Geo-Encoder: A Chunk-Argument Bi-Encoder Framework for Chinese Geographic Re-Ranking [61.60169764507917]
  中国の地理的再ランクタスクは、検索された候補者の中で最も関連性の高い住所を見つけることを目的としている。 そこで我々は,中国語の地理的意味論をより効果的に統合する,革新的なフレームワークであるGeo-Encoderを提案する。
  論文  参考訳（メタデータ） (2023-09-04T13:44:50Z)
• GeoGLUE: A GeoGraphic Language Understanding Evaluation Benchmark [56.08664336835741]
  我々はGeoGLUEと呼ばれるGeoGraphic Language Understanding Evaluationベンチマークを提案する。 オープンソースの地理資源からデータを収集し、6つの自然言語理解タスクを導入する。 我々は,GeoGLUEベンチマークの有効性と意義を示す一般ベースラインの評価実験と解析を行った。
  論文  参考訳（メタデータ） (2023-05-11T03:21:56Z)
• A General Purpose Neural Architecture for Geospatial Systems [142.43454584836812]
  本稿では,空間的帰納バイアスを持つ汎用ニューラルアーキテクチャ(GPNA)の構築に向けたロードマップを示す。 このようなモデルがコミュニティのメンバー間の協力をいかに促進するかを考察する。
  論文  参考訳（メタデータ） (2022-11-04T09:58:57Z)
• Can domain adaptation make object recognition work for everyone? [18.930805872127028]
  現代のコンピュータビジョンデータセットは、先進的な世界と、そのようなデータセットで訓練されたモデルが、目に見えない地形の画像に基づいて過小評価されている。 本研究では,この性能ギャップを埋める際の非教師なし領域適応(UDA)の有効性について検討する。 地理DAにおける標準DA手法の非効率性を実証し,専門的な地理的適応ソリューションの必要性を強調した。
  論文  参考訳（メタデータ） (2022-04-23T18:51:13Z)
• Activation Regression for Continuous Domain Generalization with Applications to Crop Classification [48.795866501365694]
  衛星画像の地理的変異は、機械学習モデルが新しい領域に一般化する能力に影響を与える。 中分解能ランドサット8衛星画像の地理的一般化を連続領域適応問題としてモデル化する。 我々は,アメリカ大陸全域に空間分布するデータセットを開発した。
  論文  参考訳（メタデータ） (2022-04-14T15:41:39Z)
• PGL: Prior-Guided Local Self-supervised Learning for 3D Medical Image Segmentation [87.50205728818601]
  本稿では,潜在特徴空間における局所的一貫性を学習するPGL(PresideedGuided Local)自己教師モデルを提案する。 我々のPGLモデルは、局所領域の特異な表現を学習し、したがって構造情報を保持できる。
  論文  参考訳（メタデータ） (2020-11-25T11:03:11Z)
• Meta-Learning for Few-Shot Land Cover Classification [3.8529010979482123]
  分類タスクとセグメンテーションタスクにおけるモデル非依存メタラーニング(MAML)アルゴリズムの評価を行った。 数発のモデル適応は,正規勾配降下による事前学習よりも優れていた。 これは、メタラーニングによるモデル最適化が地球科学におけるタスクの恩恵をもたらすことを示唆している。
  論文  参考訳（メタデータ） (2020-04-28T09:42:41Z)

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。