論文の概要: NN-Copula-CD: A Copula-Guided Interpretable Neural Network for Change
Detection in Heterogeneous Remote Sensing Images
- arxiv url: http://arxiv.org/abs/2303.17448v1
- Date: Thu, 30 Mar 2023 15:20:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-31 13:12:06.170706
- Title: NN-Copula-CD: A Copula-Guided Interpretable Neural Network for Change
Detection in Heterogeneous Remote Sensing Images
- Title（参考訳）: NN-Copula-CD:異種リモートセンシング画像における変化検出のためのコプラ誘導型解釈型ニューラルネットワーク
- Authors: Weiming Li, Xueqian Wang, Gang Li
- Abstract要約: 不均一なリモートセンシング画像における変化検出は、現実の緊急事態に対して実用的で困難な問題である。
本稿では,コプラ誘導型解釈型ニューラルネットワークに基づく知識データ駆動型ヘテロジニアスCD法を提案する。
NN-Copula-CDでは、単純な完全連結ニューラルネットワークを監督する損失として、Copulaの数学的特性が設計されている。
- 参考スコア（独自算出の注目度）: 9.533033783967106
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Change detection (CD) in heterogeneous remote sensing images is a practical
and challenging issue for real-life emergencies. In the past decade, the
heterogeneous CD problem has significantly benefited from the development of
deep neural networks (DNN). However, the data-driven DNNs always perform like a
black box where the lack of interpretability limits the trustworthiness and
controllability of DNNs in most practical CD applications. As a strong
knowledge-driven tool to measure correlation between random variables, Copula
theory has been introduced into CD, yet it suffers from non-robust CD
performance without manual prior selection for Copula functions. To address the
above issues, we propose a knowledge-data-driven heterogeneous CD method
(NN-Copula-CD) based on the Copula-guided interpretable neural network. In our
NN-Copula-CD, the mathematical characteristics of Copula are designed as the
losses to supervise a simple fully connected neural network to learn the
correlation between bi-temporal image patches, and then the changed regions are
identified via binary classification for the correlation coefficients of all
image patch pairs of the bi-temporal images. We conduct in-depth experiments on
three datasets with multimodal images (e.g., Optical, SAR, and NIR), where the
quantitative results and visualized analysis demonstrate both the effectiveness
and interpretability of the proposed NN-Copula-CD.
- Abstract（参考訳）: 異種リモートセンシング画像における変化検出(cd)は,実生活の緊急時において実用的で困難な課題である。
過去10年間で、異種CD問題はディープニューラルネットワーク(DNN)の開発から大きな恩恵を受けている。
しかし、データ駆動型DNNは、ほとんどの実用的なCDアプリケーションにおいて、解釈可能性の欠如によってDNNの信頼性と制御性が制限されるブラックボックスのように常に機能する。
確率変数間の相関を測る強力な知識駆動ツールとして、Copula理論はCDに導入されたが、Copula関数を手動で選択することなく、非破壊CDのパフォーマンスに悩まされている。
本稿では,コプラ誘導型解釈可能なニューラルネットワークに基づく知識データ駆動不均質cd法(nn-copula-cd)を提案する。
NN-Copula-CDでは,両時間画像パッチ間の相関関係を学習するために,単純な完全連結ニューラルネットワークを監督する損失としてCopulaの数学的特性を設計し,両時間画像のすべての画像パッチペアの相関係数のバイナリ分類により,変化領域を同定する。
提案するNN-Copula-CDの有効性と解釈性の両方を定量的に検証し,マルチモーダル画像(光, SAR, NIR)を用いた3つのデータセットの詳細な実験を行った。
関連論文リスト
- Stochastic Gradient Descent for Two-layer Neural Networks [2.0349026069285423]
本稿では、過パラメータ化された2層ニューラルネットワークに適用した場合の降下(SGD)アルゴリズムの収束率について検討する。
提案手法は,NTKのタンジェントカーネル(NTK)近似と,NTKが生成する再生カーネル空間(RKHS)の収束解析を組み合わせたものである。
我々の研究フレームワークは、カーネルメソッドと最適化プロセスの間の複雑な相互作用を探索し、ニューラルネットワークのダイナミクスと収束特性に光を当てることを可能にする。
論文 参考訳（メタデータ） (2024-07-10T13:58:57Z) - Topological Representations of Heterogeneous Learning Dynamics of Recurrent Spiking Neural Networks [16.60622265961373]
スパイキングニューラルネットワーク(SNN)は神経科学と人工知能において重要なパラダイムとなっている。
近年,深層ニューラルネットワークのネットワーク表現について研究が進められている。
論文 参考訳（メタデータ） (2024-03-19T05:37:26Z) - Transferability of coVariance Neural Networks and Application to
Interpretable Brain Age Prediction using Anatomical Features [119.45320143101381]
グラフ畳み込みネットワーク(GCN)は、トポロジー駆動のグラフ畳み込み演算を利用して、推論タスクのためにグラフをまたいだ情報を結合する。
我々は、共分散行列をグラフとして、共分散ニューラルネットワーク(VNN)の形でGCNを研究した。
VNNは、GCNからスケールフリーなデータ処理アーキテクチャを継承し、ここでは、共分散行列が極限オブジェクトに収束するデータセットに対して、VNNが性能の転送可能性を示すことを示す。
論文 参考訳（メタデータ） (2023-05-02T22:15:54Z) - Predicting Brain Age using Transferable coVariance Neural Networks [119.45320143101381]
我々は最近,サンプル共分散行列で動作する共分散ニューラルネットワーク(VNN)について検討した。
本稿では,大脳皮質厚みデータを用いた脳年齢推定におけるVNNの有用性を示す。
以上の結果から、VNNは脳年齢推定のためのマルチスケールおよびマルチサイト転送性を示すことが明らかとなった。
アルツハイマー病(AD)の脳年齢の文脈では,健常者に対してVNNを用いて予測される脳年齢がADに対して有意に上昇していることから,VNNの出力は解釈可能であることが示された。
論文 参考訳（メタデータ） (2022-10-28T18:58:34Z) - An out-of-distribution discriminator based on Bayesian neural network
epistemic uncertainty [0.19573380763700712]
ベイズニューラルネットワーク(Bayesian Neural Network, BNN)は、不確実性を定量化するための組み込み能力を備えた、重要なタイプのニューラルネットワークである。
本稿では,BNNにおける失語症およびてんかんの不確実性とその計算方法について論じる。
論文 参考訳（メタデータ） (2022-10-18T21:15:33Z) - Signal Processing for Implicit Neural Representations [80.38097216996164]
Inlicit Neural Representation (INR)は、マルチ層パーセプトロンを介して連続したマルチメディアデータを符号化する。
既存の作業は、その離散化されたインスタンスの処理を通じて、そのような連続的な表現を操作する。
本稿では,INSP-Netと呼ばれる暗黙的ニューラル信号処理ネットワークを提案する。
論文 参考訳（メタデータ） (2022-10-17T06:29:07Z) - Extrapolation and Spectral Bias of Neural Nets with Hadamard Product: a
Polynomial Net Study [55.12108376616355]
NTKの研究は典型的なニューラルネットワークアーキテクチャに特化しているが、アダマール製品(NNs-Hp)を用いたニューラルネットワークには不完全である。
本研究では,ニューラルネットワークの特別なクラスであるNNs-Hpに対する有限幅Kの定式化を導出する。
我々は,カーネル回帰予測器と関連するNTKとの等価性を証明し,NTKの適用範囲を拡大する。
論文 参考訳（メタデータ） (2022-09-16T06:36:06Z) - Parameter Convex Neural Networks [13.42851919291587]
本研究では,ある条件下でのニューラルネットワークのパラメータに関して凸である指数的多層ニューラルネットワーク(EMLP)を提案する。
後期実験では,指数グラフ畳み込みネットワーク(EGCN)を同じアーキテクチャで構築し,グラフ分類データセット上で実験を行う。
論文 参考訳（メタデータ） (2022-06-11T16:44:59Z) - Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。
データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文 参考訳（メタデータ） (2022-02-01T17:11:13Z) - Operational vs Convolutional Neural Networks for Image Denoising [25.838282412957675]
畳み込みニューラルネットワーク(CNN)は近年,適応学習能力により画像デノナイズ技術として好まれている。
データ変換のコアに新たな非線形性を埋め込むための柔軟性を向上するヘテロジニアスネットワークモデルを提案する。
ONNとCNNの比較評価は、線形演算子に富んだONNが等価かつよく知られた深層構成のCNNに対して優れたノイズ発生性能を達成できるという決定的な証拠が得られる。
論文 参考訳（メタデータ） (2020-09-01T12:15:28Z) - Understanding Graph Isomorphism Network for rs-fMRI Functional
Connectivity Analysis [49.05541693243502]
グラフ同型ネットワーク(GIN)を用いてfMRIデータを解析するフレームワークを開発する。
本稿では,GINがグラフ空間における畳み込みニューラルネットワーク(CNN)の二重表現であることを示す。
我々は,提案したGINをワンホット符号化で調整するGNNに対して,CNNベースのサリエンシマップ技術を利用する。
論文 参考訳（メタデータ） (2020-01-10T23:40:09Z)
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。