論文の概要: Label Noise Robust Image Representation Learning based on Supervised Variational Autoencoders in Remote Sensing

• arxiv url: http://arxiv.org/abs/2306.08575v1
• Date: Wed, 14 Jun 2023 15:22:36 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-16 18:29:51.488682
• Title: Label Noise Robust Image Representation Learning based on Supervised Variational Autoencoders in Remote Sensing
• Title（参考訳）: リモートセンシングにおける教師付き変分オートエンコーダに基づくラベルノイズロバスト画像表現学習
• Authors: Gencer Sumbul and Beg\"um Demir
• Abstract要約: 本稿では、IRL上のノイズラベルの干渉を防止することを目的とした、ラベル頑健なIRL法を提案する。 提案手法は,ノイズのあるラベルを持つ画像に対してより重要度が低く,適切なラベルを持つ画像に対してより重要度が高い。 提案手法のコードはhttps://git.tu-berlin.de/rsim/RS-IRL-SVAEで公開されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Due to the publicly available thematic maps and crowd-sourced data, remote sensing (RS) image annotations can be gathered at zero cost for training deep neural networks (DNNs). However, such annotation sources may increase the risk of including noisy labels in training data, leading to inaccurate RS image representation learning (IRL). To address this issue, in this paper we propose a label noise robust IRL method that aims to prevent the interference of noisy labels on IRL, independently from the learning task being considered in RS. To this end, the proposed method combines a supervised variational autoencoder (SVAE) with any kind of DNN. This is achieved by defining variational generative process based on image features. This allows us to define the importance of each training sample for IRL based on the loss values acquired from the SVAE and the task head of the considered DNN. Then, the proposed method imposes lower importance to images with noisy labels, while giving higher importance to those with correct labels during IRL. Experimental results show the effectiveness of the proposed method when compared to well-known label noise robust IRL methods applied to RS images. The code of the proposed method is publicly available at https://git.tu-berlin.de/rsim/RS-IRL-SVAE.
• Abstract（参考訳）: 公開されたテーママップとクラウドソースデータにより、ディープニューラルネットワーク(DNN)のトレーニングには、リモートセンシング(RS)イメージアノテーションをゼロコストで収集することができる。 しかし、そのようなアノテーション源は、トレーニングデータにノイズラベルを含むリスクを高め、不正確なRS画像表現学習(IRL)を引き起こす可能性がある。 本稿では,RSで検討されている学習課題とは無関係に,IRL上のノイズラベルの干渉を防止することを目的としたラベル頑健なIRL手法を提案する。 提案手法は,教師付き変分オートエンコーダ(SVAE)と任意の種類のDNNを組み合わせる。 これは画像の特徴に基づいて変動生成プロセスを定義することで達成される。 これにより、SVAEから得られた損失値と検討されたDNNのタスクヘッドに基づいて、IRLの各トレーニングサンプルの重要性を定義することができる。 そして,提案手法はノイズラベルを持つ画像に対して重要度を低くするとともに,irl中に正しいラベルを持つ画像に対して高い重要度を与える。 rs画像に適用したラベル雑音ロバストirl法と比較して,提案手法の有効性を実験的に示した。 提案手法のコードはhttps://git.tu-berlin.de/rsim/RS-IRL-SVAEで公開されている。

関連論文リスト

• Annotation Cost-Efficient Active Learning for Deep Metric Learning Driven Remote Sensing Image Retrieval [3.2109665109975696]
  ANNEALは、類似した、異種のイメージペアで構成された、小さくて情報的なトレーニングセットを作成することを目的としている。 不確実性と多様性の基準を組み合わせることにより、画像対の情報性を評価する。 このアノテート方式は、ランド・ユース・ランド・カバー・クラスラベルによるアノテート画像と比較して、アノテーションコストを著しく削減する。
  論文  参考訳（メタデータ） (2024-06-14T15:08:04Z)
• ERASE: Error-Resilient Representation Learning on Graphs for Label Noise Tolerance [53.73316938815873]
  本稿では, ERASE (Error-Resilient representation learning on graphs for lAbel noiSe tolerancE) という手法を提案する。 ERASEは、プロトタイプの擬似ラベルとプロパゲーションされた識別ラベルを組み合わせて、表現をエラーレジリエンスで更新する。 提案手法は, 広い雑音レベルにおいて, 複数のベースラインをクリアマージンで上回り, 高いスケーラビリティを享受できる。
  論文  参考訳（メタデータ） (2023-12-13T17:59:07Z)
• Uncertainty-Aware Source-Free Adaptive Image Super-Resolution with Wavelet Augmentation Transformer [60.31021888394358]
  Unsupervised Domain Adaptation (UDA)は、現実世界の超解像(SR)における領域ギャップ問題に効果的に対処できる 本稿では,画像SR(SODA-SR)のためのSOurce-free Domain Adaptationフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-31T03:14:44Z)
• Generative Reasoning Integrated Label Noise Robust Deep Image Representation Learning [0.0]
  本稿では,生成的推論とラベル付きノイズ・ロバスト・ディープ・表現学習(GRID)手法を提案する。 本研究の目的は、雑音ラベル下でのIRLの識別的・生成的推論の相補的特性をモデル化することである。 提案手法は、選択されたIRL法とは独立にノイズラベルの干渉を防止しつつ、識別的画像表現を学習する。
  論文  参考訳（メタデータ） (2022-12-02T15:57:36Z)
• Learning advisor networks for noisy image classification [22.77447144331876]
  本稿では,画像分類におけるノイズラベルの問題に対処するためのアドバイザネットワークの概念を紹介する。 私たちはメタラーニング戦略でそれをトレーニングし、メインモデルのトレーニングを通じて適応できるようにしました。 我々はCIFAR10とCIFAR100を合成雑音で試験し,実環境雑音を含むCrothing1Mを用いて最先端の結果を報告する。
  論文  参考訳（メタデータ） (2022-11-08T11:44:08Z)
• Data Augmentation for Object Detection via Differentiable Neural Rendering [71.00447761415388]
  注釈付きデータが乏しい場合、堅牢なオブジェクト検出器を訓練することは困難です。 この問題に対処する既存のアプローチには、ラベル付きデータからラベル付きデータを補間する半教師付き学習が含まれる。 オブジェクト検出のためのオフラインデータ拡張手法を導入し、新しいビューでトレーニングデータを意味的に補間する。
  論文  参考訳（メタデータ） (2021-03-04T06:31:06Z)
• Background Adaptive Faster R-CNN for Semi-Supervised Convolutional Object Detection of Threats in X-Ray Images [64.39996451133268]
  我々は、バックグラウンド適応型高速R-CNNと呼ばれる脅威認識のための半教師付きアプローチを提案する。 本手法は,ディープラーニング分野からのドメイン適応手法を用いた2段階物体検出器の訓練手法である。 2つのドメイン識別器(1つはオブジェクト提案を識別し、もう1つは画像特徴を識別する)は、ドメイン固有の情報を符号化するのを防ぐために敵対的に訓練される。 これにより、手作業の背景から抽出した特徴の統計と実世界のデータとを一致させることで、脅威検出の誤報率を低減することができる。
  論文  参考訳（メタデータ） (2020-10-02T21:05:13Z)
• 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)
• Data-driven Meta-set Based Fine-Grained Visual Classification [61.083706396575295]
  本稿では, ノイズの多いWeb画像に対して, 微粒化認識のためのデータ駆動型メタセットベースアプローチを提案する。 具体的には、少量のクリーンなメタセットでガイドされ、メタラーニング方式で選択ネットを訓練し、分布内および分布外ノイズ画像の識別を行う。
  論文  参考訳（メタデータ） (2020-08-06T03:04:16Z)

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。