論文の概要: A Sea-Land Clutter Classification Framework for Over-the-Horizon-Radar Based on Weighted Loss Semi-supervised GAN

• arxiv url: http://arxiv.org/abs/2305.04021v1
• Date: Sat, 6 May 2023 11:45:45 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-09 18:07:10.872445
• Title: A Sea-Land Clutter Classification Framework for Over-the-Horizon-Radar Based on Weighted Loss Semi-supervised GAN
• Title（参考訳）: 重み付き損失半教師付きGANに基づく超水平レーダーのシーランドクラッタ分類フレームワーク
• Authors: Xiaoxuan Zhang and Zengfu Wang and Kun Lu and Quan Pan and Yang Li
• Abstract要約: 我々は、改良された生成逆数ネットワーク、すなわち重み付き損失半教師付き生成逆数ネットワーク(WL-SSGAN)を提案する。 WL-SSGANの半教師付き分類性能を海面クラッタデータセットで評価した。
• 参考スコア（独自算出の注目度）: 25.093052585959807
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep convolutional neural network has made great achievements in sea-land clutter classification for over-the-horizon-radar (OTHR). The premise is that a large number of labeled training samples must be provided for a sea-land clutter classifier. In practical engineering applications, it is relatively easy to obtain label-free sea-land clutter samples. However, the labeling process is extremely cumbersome and requires expertise in the field of OTHR. To solve this problem, we propose an improved generative adversarial network, namely weighted loss semi-supervised generative adversarial network (WL-SSGAN). Specifically, we propose a joint feature matching loss by weighting the middle layer features of the discriminator of semi-supervised generative adversarial network. Furthermore, we propose the weighted loss of WL-SSGAN by linearly weighting standard adversarial loss and joint feature matching loss. The semi-supervised classification performance of WL-SSGAN is evaluated on a sea-land clutter dataset. The experimental results show that WL-SSGAN can improve the performance of the fully supervised classifier with only a small number of labeled samples by utilizing a large number of unlabeled sea-land clutter samples. Further, the proposed weighted loss is superior to both the adversarial loss and the feature matching loss. Additionally, we compare WL-SSGAN with conventional semi-supervised classification methods and demonstrate that WL-SSGAN achieves the highest classification accuracy.
• Abstract（参考訳）: 深層畳み込みニューラルネットワークは,othr(over-the-horizon-radar)の海面クラッタ分類において大きな成果を上げている。 この前提は、多数のラベル付きトレーニングサンプルを、陸域クラッタ分類器に提供しなければならないことである。 実用工学的な応用では、ラベルのない海陸クラッタのサンプルを得ることは比較的容易である。 しかし、ラベル付けプロセスは非常に面倒で、OTHRの分野の専門知識を必要とする。 そこで本研究では,改良された生成逆数ネットワーク,すなわち重み付き損失半教師付き生成逆数ネットワーク(WL-SSGAN)を提案する。 具体的には,半教師付き生成逆ネットワークの判別器の中間層特徴を重み付けて,損失をマッチングするジョイント特徴量を提案する。 さらに,WL-SSGANの重み付き損失を,標準対向損失と関節特徴整合損失を線形に重み付けすることで提案する。 WL-SSGANの半教師付き分類性能を海面クラッタデータセットで評価した。 実験の結果, WL-SSGANは, 少数のラベル付きサンプルのみを用いて, 多数のラベル付き海陸クラッタを用いて, 完全教師付き分類器の性能を向上させることができることがわかった。 さらに、提案した重み付き損失は、対向損失と特徴整合損失の両方よりも優れている。 さらに、WL-SSGANと従来の半教師付き分類法を比較し、WL-SSGANが最も高い分類精度を達成することを示す。

関連論文リスト

• Domain Generalization Guided by Gradient Signal to Noise Ratio of Parameters [69.24377241408851]
  ソースドメインへのオーバーフィッティングは、ディープニューラルネットワークの勾配に基づくトレーニングにおいて一般的な問題である。 本稿では,ネットワークパラメータの勾配-信号-雑音比(GSNR)を選択することを提案する。
  論文  参考訳（メタデータ） (2023-10-11T10:21:34Z)
• Balanced Classification: A Unified Framework for Long-Tailed Object Detection [74.94216414011326]
  従来の検出器は、分類バイアスによる長期データを扱う際の性能劣化に悩まされる。 本稿では,カテゴリ分布の格差に起因する不平等の適応的是正を可能にする,BAlanced CLassification (BACL) と呼ばれる統一フレームワークを提案する。 BACLは、さまざまなバックボーンとアーキテクチャを持つさまざまなデータセット間で、一貫してパフォーマンス改善を実現している。
  論文  参考訳（メタデータ） (2023-08-04T09:11:07Z)
• Balanced Semi-Supervised Generative Adversarial Network for Damage Assessment from Low-Data Imbalanced-Class Regime [0.1657441317977376]
  我々は、バランス付き半教師付きGAN(BSS-GAN)と呼ばれるGAN(Generative Adversarial Network)の1つの変種を紹介する。 半教師付き学習の概念を採用し、低データと不均衡クラスの問題を解決するためにトレーニングにバランストバッチサンプリングを適用している。 以上の結果から,BSS-GANは従来手法よりも,リコールやF_beta$スコアにおいて,より優れた損傷検出が可能であることが示唆された。
  論文  参考訳（メタデータ） (2022-11-29T06:40:06Z)
• Hierarchical Semi-Supervised Contrastive Learning for Contamination-Resistant Anomaly Detection [81.07346419422605]
  異常検出は、通常のデータ分布から逸脱したサンプルを特定することを目的としている。 コントラスト学習は、異常の効果的な識別を可能にする表現のサンプル化に成功している。 汚染耐性異常検出のための新しい階層型半教師付きコントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-24T18:49:26Z)
• Semi-Supervised Semantic Segmentation of Vessel Images using Leaking Perturbations [1.5791732557395552]
  Leaking GANは、網膜血管セグメンテーションのためのGANベースの半教師付きアーキテクチャである。 私たちのキーとなるアイデアは、ジェネレータから情報を漏らすことで識別器を汚染することです。 これにより、より穏健な世代がGANのトレーニングに役立ちます。
  論文  参考訳（メタデータ） (2021-10-22T18:25:08Z)
• Exploring Classification Equilibrium in Long-Tailed Object Detection [29.069986049436157]
  そこで本研究では,各カテゴリの平均分類スコアを用いて,各カテゴリの分類精度を示す。 EBL (Equilibrium Loss) と Memory-augmented Feature Smpling (MFS) 法による分類のバランスをとる。 尾クラスの検出性能を15.6 APで改善し、最新の長い尾を持つ物体検出器を1 AP以上で上回っている。
  論文  参考訳（メタデータ） (2021-08-17T08:39:04Z)
• Trash to Treasure: Harvesting OOD Data with Cross-Modal Matching for Open-Set Semi-Supervised Learning [101.28281124670647]
  オープンセット半教師付き学習(Open-set SSL)では、ラベルなしデータにOOD(Out-of-distribution)サンプルを含む、難しいが実用的なシナリオを調査する。 我々は、OODデータの存在を効果的に活用し、特徴学習を増強する新しいトレーニングメカニズムを提案する。 我々のアプローチは、オープンセットSSLのパフォーマンスを大幅に向上させ、最先端技術よりも大きなマージンで性能を向上します。
  論文  参考訳（メタデータ） (2021-08-12T09:14:44Z)
• Provable Generalization of SGD-trained Neural Networks of Any Width in the Presence of Adversarial Label Noise [85.59576523297568]
  勾配降下法により学習した任意の幅の1層リークReLUネットワークを考察する。 sgdは,分布上の最良半空間に匹敵する分類精度を持つニューラルネットワークを生成できることを実証する。
  論文  参考訳（メタデータ） (2021-01-04T18:32:49Z)
• Revisiting LSTM Networks for Semi-Supervised Text Classification via Mixed Objective Function [106.69643619725652]
  我々は,単純なBiLSTMモデルであっても,クロスエントロピー損失でトレーニングした場合に,競争的な結果が得られるようなトレーニング戦略を開発する。 いくつかのベンチマークデータセット上で,テキスト分類タスクの最先端結果について報告する。
  論文  参考訳（メタデータ） (2020-09-08T21:55:22Z)

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。