論文の概要: Confidence-Guided Semi-supervised Learning in Land Cover Classification
- arxiv url: http://arxiv.org/abs/2305.10344v2
- Date: Tue, 30 May 2023 21:15:10 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-02 02:21:46.704555
- Title: Confidence-Guided Semi-supervised Learning in Land Cover Classification
- Title（参考訳）: 土地被覆分類における信頼指導型半教師あり学習
- Authors: Wanli Ma, Oktay Karakus, Paul L. Rosin
- Abstract要約: 高信頼度擬似ラベルを活用するために,信頼性誘導型半教師付き学習(CGSSL)アプローチを開発した。
提案した半教師付き学習手法は,土地被覆分類の性能を著しく向上させる。
さらに、ベンチマークのPotsdamランドカバーデータセットのラベル付きイメージの完全なセットで、完全な教師付き学習よりも優れています。
- 参考スコア（独自算出の注目度）: 31.28174940820374
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Semi-supervised learning has been well developed to help reduce the cost of
manual labelling by exploiting a large quantity of unlabelled data. Especially
in the application of land cover classification, pixel-level manual labelling
in large-scale imagery is labour-intensive, time-consuming and expensive.
However, existing semi-supervised learning methods pay limited attention to the
quality of pseudo-labels during training even though the quality of training
data is one of the critical factors determining network performance. In order
to fill this gap, we develop a confidence-guided semi-supervised learning
(CGSSL) approach to make use of high-confidence pseudo labels and reduce the
negative effect of low-confidence ones for land cover classification.
Meanwhile, the proposed semi-supervised learning approach uses multiple network
architectures to increase the diversity of pseudo labels. The proposed
semi-supervised learning approach significantly improves the performance of
land cover classification compared to the classic semi-supervised learning
methods and even outperforms fully supervised learning with a complete set of
labelled imagery of the benchmark Potsdam land cover dataset.
- Abstract（参考訳）: 半教師付き学習は、大量の未ラベルデータを活用することで、手動ラベリングのコスト削減に有効である。
特に土地被覆分類の適用において,大規模画像におけるピクセルレベルの手動ラベリングは,労働集約的,時間消費的,高価である。
しかし,既存の半教師あり学習手法は,トレーニングデータの品質がネットワーク性能を決定する重要な要因の1つであるにもかかわらず,トレーニング中の擬似ラベルの品質に限定的に注意を払っている。
このギャップを埋めるために,信頼度に基づく半教師付き学習(cgssl)手法を開発し,信頼度の高い擬似ラベルを活用し,低信頼学習による土地被覆分類の悪影響を低減した。
一方,提案手法では,複数のネットワークアーキテクチャを用いて擬似ラベルの多様性を向上させる。
提案手法は,従来の半教師付き学習手法と比較して,土地被覆分類の性能を著しく向上させるとともに,ベンチマークポツダム土地被覆データセットのラベル付き画像の完全なセットで完全に教師付き学習を上回ります。
関連論文リスト
- Performance Evaluation of Semi-supervised Learning Frameworks for
Multi-Class Weed Detection [15.828967396019143]
効率的な雑草防除は、収穫量を最適化し、農産物の品質を高める上で重要な役割を担っている。
MLとDLによって実現された精密雑草管理の最近の進歩は、持続可能な代替手段となる。
半教師あり学習法、特に半教師あり学習法は、コンピュータビジョンの幅広い領域において注目を集めている。
論文 参考訳（メタデータ） (2024-03-06T00:59:51Z) - A Self Supervised StyleGAN for Image Annotation and Classification with
Extremely Limited Labels [35.43549147657739]
画像アノテーションと分類のための自己教師型アプローチであるSS-StyleGANを提案する。
提案手法は,50と10の小さなラベル付きデータセットを用いて,強力な分類結果が得られることを示す。
論文 参考訳（メタデータ） (2023-12-26T09:46:50Z) - PCA: Semi-supervised Segmentation with Patch Confidence Adversarial
Training [52.895952593202054]
医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。
PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。
本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
論文 参考訳（メタデータ） (2022-07-24T07:45:47Z) - Class-Aware Contrastive Semi-Supervised Learning [51.205844705156046]
本研究では,擬似ラベル品質を向上し,実環境におけるモデルの堅牢性を高めるため,CCSSL(Class-Aware Contrastive Semi-Supervised Learning)と呼ばれる一般的な手法を提案する。
提案するCCSSLは,標準データセットCIFAR100とSTL10の最先端SSLメソッドに対して,大幅な性能向上を実現している。
論文 参考訳（メタデータ） (2022-03-04T12:18:23Z) - STEdge: Self-training Edge Detection with Multi-layer Teaching and
Regularization [15.579360385857129]
大規模未ラベル画像データセットの未使用富を活用した自己学習エッジ検出の課題について検討する。
マルチレイヤの正規化と自己学習を併用した自己教師型フレームワークを設計する。
本手法は,未確認のBIPEDデータセットを用いて,ODSが4.8%,OISが5.8%向上した。
論文 参考訳（メタデータ） (2022-01-13T18:26:36Z) - Guided Point Contrastive Learning for Semi-supervised Point Cloud
Semantic Segmentation [90.2445084743881]
そこで本研究では,モデル性能を向上させるために,未ラベルの点群をトレーニングに採用するための半教師付き点群セマンティックセマンティックセマンティックセマンティクスを提案する。
近年の自己監督型タスクのコントラスト損失に触発されて,特徴表現とモデル一般化能力を高めるためのガイド付きポイントコントラスト損失を提案する。
論文 参考訳（メタデータ） (2021-10-15T16:38:54Z) - Self-supervised learning for joint SAR and multispectral land cover
classification [38.8529535887097]
マルチチャネルモデルの自己教師型トレーニングのためのフレームワークと特定のタスクを提案する。
提案手法は,土地被覆分類のラベルと相関する特徴の学習に有効であることを示す。
論文 参考訳（メタデータ） (2021-08-20T09:02:07Z) - Flip Learning: Erase to Segment [65.84901344260277]
弱い教師付きセグメンテーション(WSS)は、時間と面倒な手作業のアノテーションを減らすのに役立ちます。
ボックスアノテーションのみを必要とするFlip Learningという,斬新で汎用的なWSSフレームワークを提案する。
提案手法は,完全教師付き学習と弱教師付き学習のギャップを狭める大きな可能性を示す。
論文 参考訳（メタデータ） (2021-08-02T09:56:10Z) - SCARF: Self-Supervised Contrastive Learning using Random Feature
Corruption [72.35532598131176]
本稿では,特徴のランダムなサブセットを乱してビューを形成するコントラスト学習手法であるSCARFを提案する。
SCARFは既存の戦略を補完し、オートエンコーダのような代替手段より優れていることを示す。
論文 参考訳（メタデータ） (2021-06-29T08:08:33Z) - A Realistic Evaluation of Semi-Supervised Learning for Fine-Grained
Classification [38.68079253627819]
本ベンチマークは, avesおよびfungi分類のクラスをサンプリングして得られた2つの細粒度分類データセットからなる。
最近提案されたSSLメソッドは大きなメリットをもたらし、深いネットワークがゼロから訓練されたときにクラス外のデータを効果的にパフォーマンスを向上させることができます。
我々の研究は、現実的データセットの専門家による半教師付き学習は、現在文学で普及しているものとは異なる戦略を必要とする可能性があることを示唆している。
論文 参考訳（メタデータ） (2021-04-01T17:59:41Z) - Deep Semi-supervised Knowledge Distillation for Overlapping Cervical
Cell Instance Segmentation [54.49894381464853]
本稿では, ラベル付きデータとラベルなしデータの両方を, 知識蒸留による精度向上に活用することを提案する。
摂動に敏感なサンプルマイニングを用いたマスク誘導型平均教師フレームワークを提案する。
実験の結果,ラベル付きデータのみから学習した教師付き手法と比較して,提案手法は性能を著しく向上することがわかった。
論文 参考訳（メタデータ） (2020-07-21T13:27:09Z)
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。