論文の概要: FewSAR: A Few-shot SAR Image Classification Benchmark
- arxiv url: http://arxiv.org/abs/2306.09592v1
- Date: Fri, 16 Jun 2023 02:35:00 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-19 15:18:35.587564
- Title: FewSAR: A Few-shot SAR Image Classification Benchmark
- Title（参考訳）: FewSAR: SAR画像分類ベンチマーク
- Authors: Rui Zhang, Ziqi Wang, Yang Li, Jiabao Wang, Zhiteng Wang
- Abstract要約: 画像分類の分野で重要な問題であり,難しい問題の一つである。
FewSARは、SAR画像分類のための3つのカテゴリで15の古典的なメソッドからなるオープンソースのPythonコードライブラリで構成されている。
同じ条件下で定量的な結果と実行条件を解析することにより、計量学習手法の精度が最良の結果が得られることを観察する。
- 参考スコア（独自算出の注目度）: 17.24173332659616
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Few-shot learning (FSL) is one of the significant and hard problems in the
field of image classification. However, in contrast to the rapid development of
the visible light dataset, the progress in SAR target image classification is
much slower. The lack of unified benchmark is a key reason for this phenomenon,
which may be severely overlooked by the current literature. The researchers of
SAR target image classification always report their new results on their own
datasets and experimental setup. It leads to inefficiency in result comparison
and impedes the further progress of this area. Motivated by this observation,
we propose a novel few-shot SAR image classification benchmark (FewSAR) to
address this issue. FewSAR consists of an open-source Python code library of 15
classic methods in three categories for few-shot SAR image classification. It
provides an accessible and customizable testbed for different few-shot SAR
image classification task. To further understanding the performance of
different few-shot methods, we establish evaluation protocols and conduct
extensive experiments within the benchmark. By analyzing the quantitative
results and runtime under the same setting, we observe that the accuracy of
metric learning methods can achieve the best results. Meta-learning methods and
fine-tuning methods perform poorly on few-shot SAR images, which is primarily
due to the bias of existing datasets. We believe that FewSAR will open up a new
avenue for future research and development, on real-world challenges at the
intersection of SAR image classification and few-shot deep learning. We will
provide our code for the proposed FewSAR at https://github.com/solarlee/FewSAR.
- Abstract（参考訳）: FSL(Few-shot Learning)は、画像分類の分野で重要かつ困難な問題の1つである。
しかし、可視光データセットの急速な発展とは対照的に、SARターゲット画像分類の進歩ははるかに遅い。
統一ベンチマークの欠如は、この現象の鍵となる理由であり、現在の文献ではひどく見落とされている。
SARターゲット画像分類の研究者は、常に自身のデータセットと実験的な設定で新しい結果を報告している。
結果の比較において効率が悪くなり、この分野のさらなる進歩を妨げる。
そこで本研究では,この問題に対処するため,新しいSAR画像分類ベンチマーク(FewSAR)を提案する。
FewSARは、SAR画像分類のための3つのカテゴリで15の古典的なメソッドからなるオープンソースのPythonコードライブラリで構成されている。
さまざまなマイナショットsarイメージ分類タスクに対して、アクセス可能でカスタマイズ可能なテストベッドを提供する。
異なるマイナショット法の性能をより深く理解するため,評価プロトコルを確立し,ベンチマーク内で広範囲な実験を行う。
同じ環境下での定量的な結果と実行時間を分析することで、メトリック学習手法の精度が最良の結果を得ることができることを観察する。
メタラーニング法と微調整法は、既存のデータセットの偏りが主な原因で、数ショットのSAR画像では不十分である。
我々はFewSARが、SAR画像分類と数発のディープラーニングの交差点における現実世界の課題に対して、将来の研究開発のための新たな道を開くと信じている。
提案されているFewSARのコードはhttps://github.com/solarlee/FewSARで提供します。
関連論文リスト
- Can SAR improve RSVQA performance? [1.6249398255272318]
合成開口レーダ(SAR)画像がこの分野で有用かどうかを検討する。
SARのみの分類結果について検討し、SARデータから情報を抽出する最善の方法を検討する。
最後の段階では、光学画像のみを用いた手法と比較して、SAR画像と異なるモードの組み合わせがRSVQAでどのように振る舞うかを検討する。
論文 参考訳（メタデータ） (2024-08-28T08:53:20Z) - Advancing Image Retrieval with Few-Shot Learning and Relevance Feedback [5.770351255180495]
Image Retrieval with Relevance Feedback (IRRF) は、検索プロセス中に反復的なヒューマンインタラクションを伴う。
本稿では,タスクに適したハイパーネットワークに基づく新しいスキームを提案し,ユーザフィードバックの迅速な調整を容易にする。
提案手法は,数発の1クラス分類でSoTAを達成でき,数発のオープンセット認識のバイナリ分類タスクで同等の結果が得られることを示す。
論文 参考訳（メタデータ） (2023-12-18T10:20:28Z) - RAFIC: Retrieval-Augmented Few-shot Image Classification [0.0]
少ないショット画像分類は、見えない画像を互いに排他的なクラスに分類するタスクである。
我々は,検索した画像の付加集合を用いて,Kの集合を増大させる手法を開発した。
我々は,RAFICが2つの挑戦的データセットをまたいだ数ショット画像分類の性能を著しく向上させることを実証した。
論文 参考訳（メタデータ） (2023-12-11T22:28:51Z) - CSP: Self-Supervised Contrastive Spatial Pre-Training for
Geospatial-Visual Representations [90.50864830038202]
ジオタグ付き画像の自己教師型学習フレームワークであるContrastive Spatial Pre-Training(CSP)を提案する。
デュアルエンコーダを用いて画像とその対応する位置情報を別々に符号化し、コントラスト目的を用いて画像から効果的な位置表現を学習する。
CSPは、様々なラベル付きトレーニングデータサンプリング比と10～34%の相対的な改善で、モデル性能を大幅に向上させる。
論文 参考訳（メタデータ） (2023-05-01T23:11:18Z) - Pic2Word: Mapping Pictures to Words for Zero-shot Composed Image
Retrieval [84.11127588805138]
Composed Image Retrieval (CIR)は、クエリイメージとテキストを組み合わせて、対象とするターゲットを記述する。
既存の方法は、クエリ画像、テキスト仕様、ターゲット画像からなるラベル付き三重項を用いたCIRモデルの教師あり学習に依存している。
我々は,ラベル付き三重項学習を必要とせずにCIRモデルを構築することを目的として,Zero-Shot Composed Image Retrieval (ZS-CIR)を提案する。
論文 参考訳（メタデータ） (2023-02-06T19:40:04Z) - Self Supervised Learning for Few Shot Hyperspectral Image Classification [57.2348804884321]
HSI分類に自己監督学習(SSL)を活用することを提案する。
最先端のSSLアルゴリズムであるBarlow-Twinsを用いて,ラベルのない画素にエンコーダを事前学習することにより,少数のラベルを持つ正確なモデルが得られることを示す。
論文 参考訳（メタデータ） (2022-06-24T07:21:53Z) - Rectifying the Shortcut Learning of Background: Shared Object
Concentration for Few-Shot Image Recognition [101.59989523028264]
Few-Shot画像分類は、大規模なデータセットから学んだ事前学習された知識を利用して、一連の下流分類タスクに取り組むことを目的としている。
本研究では,Few-Shot LearningフレームワークであるCOSOCを提案する。
論文 参考訳（メタデータ） (2021-07-16T07:46:41Z) - Active Ensemble Deep Learning for Polarimetric Synthetic Aperture Radar
Image Classification [10.80252725670625]
本稿では,アクティブ・ラーニングの利点を生かし,PolSAR画像分類のためのアクティブ・アンサンブル・ディープ・ラーニング(AEDL)を提案する。
収束付近のディープラーニングモデルのスナップショットの予測されたラベルの35%は、まったく同じであった。
スナップショット委員会を用いてラベルなしデータの情報提供を行い、提案されたAEDLは、標準的なアクティブな学習戦略と比較して、2つの実際のPolSAR画像上でより優れたパフォーマンスを実現した。
論文 参考訳（メタデータ） (2020-06-29T01:40:54Z) - SAR2SAR: a semi-supervised despeckling algorithm for SAR images [3.9490074068698]
本稿では,自己超越型ディープラーニングアルゴリズムSAR2SARを提案する。
時間的変化の補償と、スペックル統計に適応した損失関数に基づいて、SAR非特異化に適応する戦略を提示する。
提案アルゴリズムの可能性を示すために,実画像における結果について考察する。
論文 参考訳（メタデータ） (2020-06-26T15:07:28Z) - SCAN: Learning to Classify Images without Labels [73.69513783788622]
機能学習とクラスタリングを分離する2段階のアプローチを提唱する。
表現学習からの自己教師型タスクを用いて意味論的意味のある特徴を得る。
我々は、ImageNet上で有望な結果を得、低データ体制下では、いくつかの半教師付き学習方法より優れています。
論文 参考訳（メタデータ） (2020-05-25T18:12:33Z) - Learning to Compare Relation: Semantic Alignment for Few-Shot Learning [48.463122399494175]
本稿では,コンテンツアライメントに頑健な関係を比較するための新しいセマンティックアライメントモデルを提案する。
数ショットの学習データセットについて広範な実験を行う。
論文 参考訳（メタデータ） (2020-02-29T08:37:02Z)
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。