論文の概要: Human labeling errors and their impact on ConvNets for satellite image
scene classification
- arxiv url: http://arxiv.org/abs/2305.12106v1
- Date: Sat, 20 May 2023 05:58:35 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-24 00:36:35.533955
- Title: Human labeling errors and their impact on ConvNets for satellite image
scene classification
- Title（参考訳）: 衛星画像シーン分類のための人間ラベル誤差とConvNetsへの影響
- Authors: Longkang Peng, Tao Wei, Xuehong Chen, Xiaobei Chen, Rui Sun, Luoma
Wan, Xiaolin Zhu
- Abstract要約: 畳み込みニューラルネットワーク(ConvNet)は衛星画像シーンの分類に成功している。
人間のラベル付きトレーニングデータセットは、ConvNetsが正確な分類を行うために不可欠である。
本研究は,32人の参加者から実世界のラベルを収集し,その誤りが3つのConvNetに与える影響を調べた。
- 参考スコア（独自算出の注目度）: 10.178283747116165
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Convolutional neural networks (ConvNets) have been successfully applied to
satellite image scene classification. Human-labeled training datasets are
essential for ConvNets to perform accurate classification. Errors in
human-labeled training datasets are unavoidable due to the complexity of
satellite images. However, the distribution of human labeling errors on
satellite images and their impact on ConvNets have not been investigated. To
fill this research gap, this study, for the first time, collected real-world
labels from 32 participants and explored how their errors affect three ConvNets
(VGG16, GoogleNet and ResNet-50) for high-resolution satellite image scene
classification. We found that: (1) human labeling errors have significant class
and instance dependence, which is fundamentally different from the simulation
noise in previous studies; (2) regarding the overall accuracy of all classes,
when human labeling errors in training data increase by one unit, the overall
accuracy of ConvNets classification decreases by approximately half a unit; (3)
regarding the accuracy of each class, the impact of human labeling errors on
ConvNets shows large heterogeneity across classes. To uncover the mechanism
underlying the impact of human labeling errors on ConvNets, we further compared
it with two types of simulated labeling noise: uniform noise (errors
independent of both classes and instances) and class-dependent noise (errors
independent of instances but not classes). Our results show that the impact of
human labeling errors on ConvNets is similar to that of the simulated
class-dependent noise but not to that of the simulated uniform noise,
suggesting that the impact of human labeling errors on ConvNets is mainly due
to class-dependent errors rather than instance-dependent errors.
- Abstract（参考訳）: 畳み込みニューラルネットワーク(convnets)は衛星画像のシーン分類にうまく適用されている。
人間のラベル付きトレーニングデータセットは、ConvNetsが正確な分類を行うために不可欠である。
人間のラベル付きトレーニングデータセットのエラーは、衛星画像の複雑さのために避けられない。
しかし,衛星画像上でのラベル付け誤差の分布や,ConvNetへの影響については検討されていない。
この研究ギャップを埋めるために、32人の参加者から実世界のラベルを初めて収集し、3つのConvNet(VGG16、GoogleNet、ResNet-50)が高解像度衛星画像シーンの分類にどのように影響するかを調査した。
We found that: (1) human labeling errors have significant class and instance dependence, which is fundamentally different from the simulation noise in previous studies; (2) regarding the overall accuracy of all classes, when human labeling errors in training data increase by one unit, the overall accuracy of ConvNets classification decreases by approximately half a unit; (3) regarding the accuracy of each class, the impact of human labeling errors on ConvNets shows large heterogeneity across classes.
convnetに対するヒューマンラベリングエラーの影響のメカニズムを明らかにするために、私たちはさらに、一様ノイズ(クラスとインスタンスの両方から独立したエラー)とクラス依存ノイズ(インスタンスに依存しないエラー)の2種類のシミュレーションラベリングノイズと比較した。
この結果から,ConvNetsにおける人間のラベル誤りの影響は,シミュレーションされたクラス依存ノイズと似ているが,シミュレーションされた一様ノイズとは似ていないことが示唆され,また,ヒトラベルエラーがConvNetsに与える影響は,主にインスタンス依存エラーよりもクラス依存エラーによるものであることが示唆された。
関連論文リスト
- AlleNoise: large-scale text classification benchmark dataset with real-world label noise [40.11095094521714]
我々は、実世界のインスタンス依存ラベルノイズを持つ新しいキュレートされたテキスト分類ベンチマークであるAlleNoiseを提示する。
ノイズの分布は、主要なeコマースマーケットプレースの実際のユーザから来ており、人間のミスの意味を現実的に反映している。
このような実環境騒音に対処するには,雑音ラベルを用いた学習方法の代表的選択が不十分であることを示す。
論文 参考訳（メタデータ） (2024-06-24T09:29:14Z) - Learning Discriminative Dynamics with Label Corruption for Noisy Label Detection [25.55455239006278]
トレーニング信号のダイナミクスに基づいて,誤ラベル付きインスタンスと正しくラベル付けされたインスタンスを識別するDynaCorフレームワークを提案する。
我々の総合的な実験により、DynaCorは最先端のライバルより優れており、様々なノイズタイプやノイズレートに対して強い堅牢性を示している。
論文 参考訳（メタデータ） (2024-05-30T10:06:06Z) - Rethinking Noisy Label Learning in Real-world Annotation Scenarios from
the Noise-type Perspective [38.24239397999152]
本稿では,雑音ラベル学習のためのサンプル選択に基づく新しい手法であるProto-semiを提案する。
Proto-semiは、すべてのサンプルをウォームアップを通じて信頼性と信頼できないデータセットに分割する。
自信のあるデータセットを活用することで、プロトタイプベクターがクラス特性をキャプチャするために構築される。
実世界の注釈付きデータセットの実証評価は、ノイズラベルから学習する問題の処理において、プロトセミの頑健さを裏付けるものである。
論文 参考訳（メタデータ） (2023-07-28T10:57:38Z) - S3: Supervised Self-supervised Learning under Label Noise [53.02249460567745]
本稿では,ラベルノイズの存在下での分類の問題に対処する。
提案手法の核心は,サンプルのアノテートラベルと特徴空間内のその近傍のラベルの分布との整合性に依存するサンプル選択機構である。
提案手法は,CIFARCIFAR100とWebVisionやANIMAL-10Nなどの実環境ノイズデータセットの両方で,従来の手法をはるかに上回っている。
論文 参考訳（メタデータ） (2021-11-22T15:49:20Z) - Learning with Noisy Labels Revisited: A Study Using Real-World Human
Annotations [54.400167806154535]
ノイズラベルを用いた学習に関する既存の研究は、主に合成ラベルノイズに焦点を当てている。
本研究は2つの新しいベンチマークデータセット(CIFAR-10N, CIFAR-100N)を示す。
実世界のノイズラベルは古典的に採用されたクラス依存のラベルではなく、インスタンス依存のパターンに従うことを示す。
論文 参考訳（メタデータ） (2021-10-22T22:42:11Z) - Learning to Aggregate and Refine Noisy Labels for Visual Sentiment
Analysis [69.48582264712854]
本研究では,頑健な視覚的感情分析を行うための頑健な学習手法を提案する。
本手法は,トレーニング中にノイズラベルを集約・フィルタリングするために外部メモリに依存している。
公開データセットを用いたラベルノイズを用いた視覚的感情分析のベンチマークを構築した。
論文 参考訳（メタデータ） (2021-09-15T18:18:28Z) - How Does Heterogeneous Label Noise Impact Generalization in Neural Nets? [29.326472933292603]
誤ラベル付き例(ラベルノイズ)は、現実のコンピュータビジョンデータセットで一般的である。
実世界では、ラベルノイズはしばしば異種であり、いくつかのカテゴリーは他のものよりも大きな影響を受けている。
論文 参考訳（メタデータ） (2021-06-29T14:58:46Z) - A Second-Order Approach to Learning with Instance-Dependent Label Noise [58.555527517928596]
ラベルノイズの存在は、しばしばディープニューラルネットワークのトレーニングを誤解させる。
人間による注釈付きラベルのエラーは、タスクの難易度レベルに依存する可能性が高いことを示しています。
論文 参考訳（メタデータ） (2020-12-22T06:36:58Z) - Attention-Aware Noisy Label Learning for Image Classification [97.26664962498887]
大規模ラベル付きサンプルで学習した深層畳み込みニューラルネットワーク(CNN)は、コンピュータビジョンにおいて顕著な進歩を遂げている。
大量のラベル付きビジュアルデータを取得する最も安価な方法は、Flickrのようなユーザーが提供するラベルでウェブサイトからクロールすることである。
本稿では,潜在的なラベルノイズのあるデータセットに基づいて学習したネットワークの識別能力を向上させるために,注目に敏感なラベル学習手法を提案する。
論文 参考訳（メタデータ） (2020-09-30T15:45:36Z) - Class2Simi: A Noise Reduction Perspective on Learning with Noisy Labels [98.13491369929798]
そこで我々は,ノイズのあるクラスラベルを持つデータポイントを,ノイズの多い類似ラベルを持つデータペアに変換するClass2Simiというフレームワークを提案する。
Class2Simiは、この変換がミニバッチのオンザフライであるだけでなく、モデル予測上の損失をペアワイズに変化させるため、計算的に効率的である。
論文 参考訳（メタデータ） (2020-06-14T07:55:32Z)
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。