Fugu-MT 論文翻訳(概要): Forest Parameter Prediction by Multiobjective Deep Learning of Regression Models Trained with Pseudo-Target Imputation

論文の概要: Forest Parameter Prediction by Multiobjective Deep Learning of Regression Models Trained with Pseudo-Target Imputation

arxiv url: http://arxiv.org/abs/2306.11103v1
Date: Mon, 19 Jun 2023 18:10:47 GMT
ステータス: 処理完了
システム内更新日: 2023-06-21 16:38:56.543485
Title: Forest Parameter Prediction by Multiobjective Deep Learning of Regression Models Trained with Pseudo-Target Imputation
Title（参考訳）: 多目的深層学習による擬標的インプテーションによる回帰モデルの森林パラメータ予測
Authors: Sara Bj\"ork, Stian N. Anfinsen, Michael Kampffmeyer, Erik N{\ae}sset, Terje Gobakken, and Lennart Noordermeer
Abstract要約: リモートセンシングデータを用いた森林パラメータの予測において、回帰モデルは、伝統的に地上基準データの小さなサンプルに基づいて訓練されてきた。本稿では, 擬似ターゲットとみなす既存の RS ベースの予測マップからのデータを用いて, この真の予測対象のサンプルをインプットする。我々は、空中レーザー走査(ALS)データから構築された予測マップを用いて、正確な擬似ターゲットと、Sentinel-1のCバンド合成開口レーダ(SAR)のデータを回帰器として提供する。
参考スコア（独自算出の注目度）: 6.853936752111048
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In prediction of forest parameters with data from remote sensing (RS), regression models have traditionally been trained on a small sample of ground reference data. This paper proposes to impute this sample of true prediction targets with data from an existing RS-based prediction map that we consider as pseudo-targets. This substantially increases the amount of target training data and leverages the use of deep learning (DL) for semi-supervised regression modelling. We use prediction maps constructed from airborne laser scanning (ALS) data to provide accurate pseudo-targets and free data from Sentinel-1's C-band synthetic aperture radar (SAR) as regressors. A modified U-Net architecture is adapted with a selection of different training objectives. We demonstrate that when a judicious combination of loss functions is used, the semi-supervised imputation strategy produces results that surpass traditional ALS-based regression models, even though \sen data are considered as inferior for forest monitoring. These results are consistent for experiments on above-ground biomass prediction in Tanzania and stem volume prediction in Norway, representing a diversity in parameters and forest types that emphasises the robustness of the approach.
Abstract（参考訳）: リモートセンシング(rs)データを用いた森林パラメータの予測では、レグレッションモデルは伝統的に小さな地上参照データのサンプルで訓練されてきた。本稿では, 擬似ターゲットとみなす既存の RS ベースの予測マップからのデータを用いて, この真の予測対象のサンプルをインプットする。これにより、ターゲットトレーニングデータの量を大幅に増加させ、半教師付き回帰モデリングにおけるディープラーニング(DL)の利用を活用する。航空機搭載レーザースキャニング(als)データから構築した予測地図を用いて,センチネル-1のcバンド合成開口レーダ(sar)からの正確な疑似目標と自由データを提供する。修正されたU-Netアーキテクチャは、異なるトレーニング目標の選択に適応する。その結果,半教師付きインプテーション戦略は,森林モニタリングに劣るものと考えられるが,従来のalsに基づく回帰モデルを上回る結果が得られることがわかった。これらの結果は、タンザニアの地上でのバイオマス予測とノルウェーの茎体積予測の実験と一致しており、アプローチの堅牢性を強調するパラメータや森林タイプの多様性を表している。

関連論文リスト

Learning Augmentation Policies from A Model Zoo for Time Series Forecasting [58.66211334969299]
本稿では,強化学習に基づく学習可能なデータ拡張手法であるAutoTSAugを紹介する。限界サンプルを学習可能なポリシーで強化することにより、AutoTSAugは予測性能を大幅に改善する。
論文参考訳（メタデータ） (2024-09-10T07:34:19Z)
Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
論文参考訳（メタデータ） (2024-02-19T02:08:09Z)
Out of the Ordinary: Spectrally Adapting Regression for Covariate Shift [12.770658031721435]
本稿では,学習前のニューラル回帰モデルの最後の層の重みを適応させて,異なる分布から得られる入力データを改善する手法を提案する。本稿では,この軽量なスペクトル適応手法により,合成および実世界のデータセットの分布外性能が向上することを示す。
論文参考訳（メタデータ） (2023-12-29T04:15:58Z)
EquiDiff: A Conditional Equivariant Diffusion Model For Trajectory Prediction [11.960234424309265]
本研究では,将来の車両軌道予測のための深部生成モデルであるEquiDiffを提案する。 EquiDiffは、過去の情報とランダムなガウスノイズを組み込んで将来の軌跡を生成する条件拡散モデルに基づいている。以上の結果から,EquiDiffは短期予測では他のベースラインモデルよりも優れているが,長期予測では誤差が若干高いことがわかった。
論文参考訳（メタデータ） (2023-08-12T13:17:09Z)
Prediction-Oriented Bayesian Active Learning [51.426960808684655]
予測情報ゲイン(EPIG)は、パラメータではなく予測空間における情報ゲインを測定する。 EPIGは、さまざまなデータセットやモデルにわたるBALDと比較して、予測パフォーマンスが向上する。
論文参考訳（メタデータ） (2023-04-17T10:59:57Z)
A Meta-Learning Approach to Predicting Performance and Data Requirements [163.4412093478316]
本稿では,モデルが目標性能に達するために必要なサンプル数を推定する手法を提案する。モデル性能を推定するデファクト原理であるパワー法則が,小さなデータセットを使用する場合の誤差が大きいことが判明した。本稿では,2つのデータを異なる方法で処理するPPL法について紹介する。
論文参考訳（メタデータ） (2023-03-02T21:48:22Z)
Imputation-Free Learning from Incomplete Observations [73.15386629370111]
本稿では,不備な値を含む入力からの推論をインプットなしでトレーニングするIGSGD法の重要性について紹介する。バックプロパゲーションによるモデルのトレーニングに使用する勾配の調整には強化学習(RL)を用いる。我々の計算自由予測は、最先端の計算手法を用いて従来の2段階の計算自由予測よりも優れている。
論文参考訳（メタデータ） (2021-07-05T12:44:39Z)
Constructing Forest Biomass Prediction Maps from Radar Backscatter by Sequential Regression with a Conditional Generative Adversarial Network [0.17499351967216337]
本稿では,合成開口レーダ(SAR)強度画像から地上バイオマス(AGB)予測マップを構築する。航空機搭載レーザースキャン(ALS)センサーのデータは、AGBと強く相関している。 SAR強度とALS予測AGBの回帰関数をモデル化するために,条件付き生成対向ネットワーク(cGAN)の利用を提案する。
論文参考訳（メタデータ） (2021-06-21T15:05:35Z)
A robust low data solution: dimension prediction of semiconductor nanorods [5.389015968413988]
半導体ナノロッド(NR)の長さ,幅,アスペクト比を正確に予測するために,ロバストディープニューラルネットワークに基づく回帰アルゴリズムを開発した。深部ニューラルネットワークは、類似した分布を持つ原データと生成データの両方に対して、よく実行される予測を実証した回帰モデルの開発にさらに応用される。
論文参考訳（メタデータ） (2020-10-27T07:51:38Z)
Meta-learning framework with applications to zero-shot time-series forecasting [82.61728230984099]
この研究は幅広いメタラーニングフレームワークを使って肯定的な証拠を提供する。残余接続はメタラーニング適応機構として機能する。我々は、ソースTSデータセット上でニューラルネットワークをトレーニングし、異なるターゲットTSデータセット上で再トレーニングすることなくデプロイできることを示します。
論文参考訳（メタデータ） (2020-02-07T16:39:43Z)

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。