論文の概要: Weakly-supervised ROI extraction method based on contrastive learning
for remote sensing images
- arxiv url: http://arxiv.org/abs/2305.05887v1
- Date: Wed, 10 May 2023 04:18:45 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-11 14:26:33.300148
- Title: Weakly-supervised ROI extraction method based on contrastive learning
for remote sensing images
- Title（参考訳）: リモートセンシング画像のコントラスト学習に基づく弱教師付きROI抽出法
- Authors: Lingfeng He and Mengze Xu and Jie Ma
- Abstract要約: 弱教師付き学習(WSL)は、入力画像から画素ワイズ予測へのマッピングを、画像ワイズラベルの下で学習することを目的としている。
ラベルの精度のため、WSL法の精度と時間消費は比較的不十分である。
本稿では,契約学習に基づく2段階のROI抽出を提案する。
- 参考スコア（独自算出の注目度）: 4.084927826063192
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: ROI extraction is an active but challenging task in remote sensing because of
the complicated landform, the complex boundaries and the requirement of
annotations. Weakly supervised learning (WSL) aims at learning a mapping from
input image to pixel-wise prediction under image-wise labels, which can
dramatically decrease the labor cost. However, due to the imprecision of
labels, the accuracy and time consumption of WSL methods are relatively
unsatisfactory. In this paper, we propose a two-step ROI extraction based on
contractive learning. Firstly, we present to integrate multiscale Grad-CAM to
obtain pseudo pixelwise annotations with well boundaries. Then, to reduce the
compact of misjudgments in pseudo annotations, we construct a contrastive
learning strategy to encourage the features inside ROI as close as possible and
separate background features from foreground features. Comprehensive
experiments demonstrate the superiority of our proposal. Code is available at
https://github.com/HE-Lingfeng/ROI-Extraction
- Abstract（参考訳）: ROI抽出は、複雑な地形、複雑な境界、アノテーションの要求により、リモートセンシングにおいて活発だが困難なタスクである。
弱教師付き学習(weakly supervised learning:wsl)は、画像ラベル下の入力画像からピクセル単位の予測へのマッピングを学習することを目的としている。
しかし、ラベルの不正確さのため、WSL法の精度と時間消費は比較的不十分である。
本稿では,契約学習に基づく2段階のROI抽出を提案する。
まず,複数スケールのGrad-CAMを統合することで,適切な境界を持つ擬似画素アノテーションを得る。
そして,疑似アノテーションにおける誤判断のコンパクト化を抑えるために,ROI内の特徴を可能な限り接近させ,背景特徴と前景特徴を分離するコントラスト学習戦略を構築した。
総合的な実験は我々の提案の優越性を実証する。
コードはhttps://github.com/HE-Lingfeng/ROI-Extractionで入手できる。
関連論文リスト
- Spherical Linear Interpolation and Text-Anchoring for Zero-shot Composed Image Retrieval [43.47770490199544]
Composed Image Retrieval (CIR)は、画像とキャプションで構成されたクエリを使って画像を取得する複雑なタスクである。
Slerp(Spherical Linear Interpolation)を用いて画像とテキストを直接マージする新しいZS-CIR手法を提案する。
また,テキストエンコーダを固定しながら画像エンコーダを微調整するText-Anchored-Tuning (TAT)を導入する。
論文 参考訳（メタデータ） (2024-05-01T15:19:54Z) - Boosting Semi-Supervised Object Detection in Remote Sensing Images With
Active Teaching [34.26972464240673]
リモートセンシング画像における物体検出を促進するために,新しい能動学習法(AL)を提案する。
提案手法では,RoI 比較モジュール (RoICM) を組み込んで,関心領域に対する高信頼な擬似ラベルを生成する。
提案手法は,RSIにおけるオブジェクト検出の最先端手法より優れている。
論文 参考訳（メタデータ） (2024-02-29T08:52:38Z) - MOCA: Self-supervised Representation Learning by Predicting Masked Online Codebook Assignments [72.6405488990753]
自己教師付き学習は、ビジョントランスフォーマーネットワークの欲求を軽減できる。
所望のプロパティを統一する単段および単段のMOCAを提案する。
我々は,様々な評価プロトコルにおいて,低照度設定と強力な実験結果に対して,最先端の新たな結果を得る。
論文 参考訳（メタデータ） (2023-07-18T15:46:20Z) - Neglected Free Lunch -- Learning Image Classifiers Using Annotation
Byproducts [43.76258241948858]
画像分類器の教師付き学習は、画像と対応するラベル(X,Y)のペアを通して、人間の知識をパラメトリックモデルに蒸留する
このシンプルで広く使われている人間の知識の表現は、アノテーションの手順から豊富な補助情報を無視していると論じる。
我々は、アノテーション副産物を用いたトレーニングモデルの新たなパラダイムを、アノテーション副産物(LUAB)を用いた学習として言及する。
論文 参考訳（メタデータ） (2023-03-30T17:59:02Z) - De-coupling and De-positioning Dense Self-supervised Learning [65.56679416475943]
Dense Self-Supervised Learning (SSL)メソッドは、複数のオブジェクトでイメージを処理する際に、画像レベルの特徴表現を使用する際の制限に対処する。
本研究は, 層深度やゼロパディングに伴う受容野の増大によって生じる, 結合と位置バイアスに悩まされていることを示す。
我々はCOCOにおける本手法の利点と、オブジェクト分類、セマンティックセグメンテーション、オブジェクト検出のための新しい挑戦的ベンチマークであるOpenImage-MINIについて示す。
論文 参考訳（メタデータ） (2023-03-29T18:07:25Z) - DeepRING: Learning Roto-translation Invariant Representation for LiDAR
based Place Recognition [12.708391665878844]
We propose DeepRing to learn the Roto-translation invariant representation from LiDAR scan。
DeepRingには2つのキーがある。特徴はシングラムから抽出され、特徴はマグニチュードスペクトルによって集約される。
位置認識は,各場所がクラスである場合のワンショット学習問題として記述し,関係学習を活用して表現の類似性を構築する。
論文 参考訳（メタデータ） (2022-10-20T05:35:30Z) - Towards Effective Image Manipulation Detection with Proposal Contrastive
Learning [61.5469708038966]
本稿では,効果的な画像操作検出のためのコントラスト学習(PCL)を提案する。
我々のPCLは、RGBとノイズビューから2種類のグローバル特徴を抽出し、2ストリームアーキテクチャで構成されている。
我々のPCLは、実際にラベル付けされていないデータに容易に適用でき、手作業によるラベル付けコストを削減し、より一般化可能な機能を促進することができる。
論文 参考訳（メタデータ） (2022-10-16T13:30:13Z) - EDN: Salient Object Detection via Extremely-Downsampled Network [66.38046176176017]
画像全体のグローバルビューを効果的に学ぶために、極端なダウンサンプリング技術を使用するExtremely-Downsampled Network(EDN)を紹介します。
実験は、ednがリアルタイム速度でsart性能を達成することを実証する。
論文 参考訳（メタデータ） (2020-12-24T04:23:48Z) - Accurate RGB-D Salient Object Detection via Collaborative Learning [101.82654054191443]
RGB-Dサリエンシ検出は、いくつかの課題シナリオにおいて素晴らしい能力を示している。
本稿では,エッジ,深度,塩分濃度をより効率的に活用する新しい協調学習フレームワークを提案する。
論文 参考訳（メタデータ） (2020-07-23T04:33:36Z) - Distilling Localization for Self-Supervised Representation Learning [82.79808902674282]
コントラスト学習は教師なし表現学習に革命をもたらした。
現在のコントラストモデルでは、前景オブジェクトのローカライズには効果がない。
本稿では,背景変化を学習するためのデータ駆動型手法を提案する。
論文 参考訳（メタデータ） (2020-04-14T16:29:42Z)
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。