論文の概要: Nearest Neighbor Based Out-of-Distribution Detection in Remote Sensing
Scene Classification
- arxiv url: http://arxiv.org/abs/2303.16616v1
- Date: Wed, 29 Mar 2023 12:02:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-30 14:58:10.728108
- Title: Nearest Neighbor Based Out-of-Distribution Detection in Remote Sensing
Scene Classification
- Title(参考訳): リモートセンシングシーン分類における近距離近傍の分布外検出
- Authors: Dajana Dimitri\'c, Mitar Simi\'c, Vladimir Risojevi\'c
- Abstract要約: トレーニングデータと異なる分布からのリモートセンシング画像を検出する問題に対処する。
そこで本研究では,最大ソフトマックス確率と近接近傍値に基づく分布検出と検出値の評価を行うベンチマークを提案する。
- 参考スコア(独自算出の注目度): 3.222802562733787
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning models for image classification are typically trained under the
"closed-world" assumption with a predefined set of image classes. However, when
the models are deployed they may be faced with input images not belonging to
the classes encountered during training. This type of scenario is common in
remote sensing image classification where images come from different geographic
areas, sensors, and imaging conditions. In this paper we deal with the problem
of detecting remote sensing images coming from a different distribution
compared to the training data - out of distribution images. We propose a
benchmark for out of distribution detection in remote sensing scene
classification and evaluate detectors based on maximum softmax probability and
nearest neighbors. The experimental results show convincing advantages of the
method based on nearest neighbors.
- Abstract(参考訳): 画像分類のためのディープラーニングモデルは、通常、「クローズドワールド」の仮定の下で事前定義された画像クラスで訓練される。
しかし、モデルがデプロイされると、トレーニング中に遭遇したクラスに属さない入力イメージに直面する可能性がある。
この種のシナリオは、異なる地理的領域、センサー、撮像条件から画像がやってくるリモートセンシング画像分類において一般的である。
本稿では,異なる分布からのリモートセンシング画像を検出する問題を,分布画像から抽出したトレーニングデータと比較して扱う。
本研究では,リモートセンシングシーン分類における分布検出の指標を提案し,最大ソフトマックス確率と最寄り近傍に基づく検出器の評価を行う。
実験の結果,最寄りの近傍に基づく方法の説得力のあるアドバンテージが得られた。
関連論文リスト
- Breaking the Frame: Visual Place Recognition by Overlap Prediction [53.17564423756082]
本稿では,重なり合う予測に基づく新しい視覚的位置認識手法 VOP を提案する。
VOPは、Vision Transformerのバックボーンを使用してパッチレベルの埋め込みを取得することで、コビジュアブルなイメージセクションを進める。
提案手法では,データベース画像の重複点の評価に投票機構を用いる。
論文 参考訳(メタデータ) (2024-06-23T20:00:20Z) - Unsupervised Few-Shot Continual Learning for Remote Sensing Image Scene Classification [14.758282519523744]
リモートセンシング画像シーン分類における教師なし数ショット連続学習のためのunsupervised flat-wide learning approach (UNISA)
リモートセンシング画像シーンデータセットとハイパースペクトルデータセットを用いた数値解析により,提案手法の利点が確認された。
論文 参考訳(メタデータ) (2024-06-04T03:06:41Z) - A noisy elephant in the room: Is your out-of-distribution detector robust to label noise? [49.88894124047644]
我々は、最先端のOOD検出方法20について詳しく検討する。
不正に分類されたIDサンプルとOODサンプルの分離が不十分であることを示す。
論文 参考訳(メタデータ) (2024-04-02T09:40:22Z) - Weakly-supervised deepfake localization in diffusion-generated images [4.548755617115687]
本稿では,Xception ネットワークをバックボーンアーキテクチャとして用いた弱教師付きローカライズ問題を提案する。
本研究では,(局所スコアに基づく)最良動作検出法は,データセットやジェネレータのミスマッチよりも,より緩やかな監視に敏感であることを示す。
論文 参考訳(メタデータ) (2023-11-08T10:27:36Z) - Scene Uncertainty and the Wellington Posterior of Deterministic Image
Classifiers [68.9065881270224]
Wellington Posteriorは、同じシーンで生成された可能性のあるデータに応答して得られるであろう結果の分布である。
We we explore the use of data augmentation, dropout, ensembling, single-view reconstruction and model linearization to compute a Wellington Posterior。
他にも、生成逆数ネットワーク、ニューラルレイディアンスフィールド、条件付き事前ネットワークなどの条件付き生成モデルの使用がある。
論文 参考訳(メタデータ) (2021-06-25T20:10:00Z) - Implicit field learning for unsupervised anomaly detection in medical
images [0.8122270502556374]
オートデコーダフィードフォワードニューラルネットワークは、組織型のプロキシ上の空間座標と確率の間のマッピングという形で、健康な画像の分布を学習する。
回復画像のモデルにより予測されたボクセル的確率を用いて,異常の局所化を行う。
脳MR画像におけるグリオーマの非教師的局在化の課題に対して,本手法を検証し,他のVAEによる異常検出法と比較した。
論文 参考訳(メタデータ) (2021-06-09T16:57:22Z) - A Hierarchical Transformation-Discriminating Generative Model for Few
Shot Anomaly Detection [93.38607559281601]
各トレーニングイメージのマルチスケールパッチ分布をキャプチャする階層的生成モデルを開発した。
この異常スコアは、スケール及び画像領域にわたる正しい変換のパッチベースの投票を集約して得られる。
論文 参考訳(メタデータ) (2021-04-29T17:49:48Z) - Instance Localization for Self-supervised Detection Pretraining [68.24102560821623]
インスタンスローカリゼーションと呼ばれる,新たな自己監視型プリテキストタスクを提案する。
境界ボックスを事前学習に組み込むことで、より優れたタスクアライメントとアーキテクチャアライメントが促進されることを示す。
実験結果から, オブジェクト検出のための最先端の転送学習結果が得られた。
論文 参考訳(メタデータ) (2021-02-16T17:58:57Z) - Scale Aware Adaptation for Land-Cover Classification in Remote Sensing
Imagery [4.793219747021116]
リモートセンシング画像を用いた土地被覆分類は重要な地球観測課題である。
リモートセンシングイメージでディープセグメンテーションモデルをトレーニングするためのベンチマークデータセットは小さい傾向がある。
クロスロケーションおよびクロススケールの土地被覆分類を行うためのスケール認識型対人学習フレームワークを提案する。
論文 参考訳(メタデータ) (2020-12-08T05:15:43Z) - Texture image classification based on a pseudo-parabolic diffusion model [0.0]
提案手法は、確立されたベンチマークテクスチャデータベースの分類と、植物種認識の実践的な課題について検証する。
画像の同種領域内では、擬似放物的演算子が、うる限りノイズの多い詳細を滑らかにすることができることで、優れた性能を大いに正当化することができる。
論文 参考訳(メタデータ) (2020-11-14T00:04:07Z) - Remote Sensing Image Scene Classification Meets Deep Learning:
Challenges, Methods, Benchmarks, and Opportunities [81.29441139530844]
本稿では,160以上の論文を網羅し,リモートセンシング画像シーン分類のためのディープラーニング手法の体系的調査を行う。
リモートセンシング画像シーンの分類と調査の主な課題について論じる。
リモートセンシング画像シーン分類に使用されるベンチマークを導入し,2ダース以上の代表アルゴリズムの性能を要約する。
論文 参考訳(メタデータ) (2020-05-03T14:18:00Z)
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。