論文の概要: Lightweight learning from label proportions on satellite imagery
- arxiv url: http://arxiv.org/abs/2306.12461v1
- Date: Wed, 21 Jun 2023 12:16:36 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-23 16:43:29.474043
- Title: Lightweight learning from label proportions on satellite imagery
- Title（参考訳）: 衛星画像のラベル比による軽量学習
- Authors: Ra\'ul Ramos-Poll\'an, Fabio A. Gonz\'alez
- Abstract要約: 本研究は,ラベル比のみの場合に,衛星画像上でチップレベルの予測を行うという課題に対処する。
より単純なディープラーニングと確率的手法が、一般的に標準的なより複雑な手法よりも優れていることを示す。
地球観測に適用可能な比較LPを実現するためのベンチマークデータセットのセットを提供する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This work addresses the challenge of producing chip level predictions on
satellite imagery when only label proportions at a coarser spatial geometry are
available, typically from statistical or aggregated data from administrative
divisions (such as municipalities or communes). This kind of tabular data is
usually widely available in many regions of the world and application areas
and, thus, its exploitation may contribute to leverage the endemic scarcity of
fine grained labelled data in Earth Observation (EO). This can be framed as a
Learning from Label Proportions (LLP) problem setup. LLP applied to EO data is
still an emerging field and performing comparative studies in applied scenarios
remains a challenge due to the lack of standardized datasets. In this work,
first, we show how simple deep learning and probabilistic methods generally
perform better than standard more complex ones, providing a surprising level of
finer grained spatial detail when trained with much coarser label proportions.
Second, we provide a set of benchmarking datasets enabling comparative LLP
applied to EO, providing both fine grained labels and aggregated data according
to existing administrative divisions. Finally, we argue how this approach might
be valuable when considering on-orbit inference and training. Source code is
available at https://github.com/rramosp/llpeo
- Abstract（参考訳）: この研究は、一般に行政部門(自治体やコミューンなど)の統計データや集約データから、粗い空間幾何学におけるラベルの比率のみを利用できる場合、衛星画像上でチップレベルの予測を作成するという課題に対処する。
この種の表型データは通常、世界中の多くの地域で利用可能であり、その利用は地球観測(EO)における細粒度ラベル付きデータの固有不足の活用に寄与する可能性がある。
これは、LLP(Learning from Label Proportions)問題設定として表すことができる。
EOデータに適用されたLPはいまだ発展途上であり、標準化されたデータセットがないため、適用シナリオにおける比較研究は依然として課題である。
本稿では,まず,単純な深層学習と確率的手法が,標準的より複雑なものよりも一般的にどのように機能するかを示す。
第2に,既存の行政区分に従って,細粒度ラベルと集約データの両方を提供するEOに適用可能なベンチマークデータセットのセットを提供する。
最後に、軌道上での推論とトレーニングを考慮して、このアプローチがいかに価値があるかについて議論する。
ソースコードはhttps://github.com/rramosp/llpeoで入手できる。
関連論文リスト
- Continuous Contrastive Learning for Long-Tailed Semi-Supervised Recognition [50.61991746981703]
現在の最先端のLTSSLアプローチは、大規模な未ラベルデータに対して高品質な擬似ラベルに依存している。
本稿では,長期学習における様々な提案を統一する新しい確率的枠組みを提案する。
我々は、信頼度とスムーズな擬似ラベルを用いて、我々のフレームワークをラベルなしデータに拡張する、連続的コントラスト学習手法であるCCLを導入する。
論文 参考訳（メタデータ） (2024-10-08T15:06:10Z) - Towards Realistic Long-tailed Semi-supervised Learning in an Open World [0.0]
我々は、既知のカテゴリと新規カテゴリの分布関係を前提としない、よりエフェリアティックなオープンワールドLong-tailed Semi-supervised Learning(textbfROLSSL)を構築する。
提案したROOSSL設定では、二重ステージロジット調整と呼ばれる、シンプルで効果的な解を提案する。
CIFAR100やImageNet100のようなデータセットの実験では、最大50.1%のパフォーマンス改善が示されている。
論文 参考訳（メタデータ） (2024-05-23T12:53:50Z) - Learning from Label Proportions: Bootstrapping Supervised Learners via Belief Propagation [18.57840057487926]
LLP(Learning from Label Proportions)は、トレーニング中にバッグと呼ばれるインスタンスのグループに対して、アグリゲートレベルのラベルしか利用できない学習問題である。
この設定は、プライバシー上の配慮から、広告や医療などの領域で発生する。
本稿では,この問題に対して,反復的に2つの主要なステップを実行する新しいアルゴリズムフレームワークを提案する。
論文 参考訳（メタデータ） (2023-10-12T06:09:26Z) - Few-Shot Non-Parametric Learning with Deep Latent Variable Model [50.746273235463754]
遅延変数を用いた圧縮による非パラメトリック学習(NPC-LV)を提案する。
NPC-LVは、ラベルなしデータが多いがラベル付きデータはほとんどないデータセットの学習フレームワークである。
我々は,NPC-LVが低データ構造における画像分類における3つのデータセットの教師あり手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-06-23T09:35:03Z) - AutoGeoLabel: Automated Label Generation for Geospatial Machine Learning [69.47585818994959]
リモートセンシングデータのためのラベルの自動生成のためのビッグデータ処理パイプラインを評価する。
我々は,大規模データプラットフォームであるIBM PAIRSを用いて,密集都市部でそのようなラベルを動的に生成する。
論文 参考訳（メタデータ） (2022-01-31T20:02:22Z) - CaSP: Class-agnostic Semi-Supervised Pretraining for Detection and
Segmentation [60.28924281991539]
本稿では,タスク固有性バランスを向上するために,クラス非依存型半教師付き事前学習(CaSP)フレームワークを提案する。
我々は3.6Mの未ラベルデータを用いて、ImageNetで規定されたオブジェクト検出のベースラインよりも4.7%の顕著なパフォーマンス向上を達成した。
論文 参考訳（メタデータ） (2021-12-09T14:54:59Z) - Improving Contrastive Learning on Imbalanced Seed Data via Open-World
Sampling [96.8742582581744]
我々は、Model-Aware K-center (MAK)と呼ばれるオープンワールドなラベルなしデータサンプリングフレームワークを提案する。
MAKは、尾性、近接性、多様性の3つの単純な原則に従う。
我々はMAKが学習した機能の全体的な表現品質とクラスバランス性の両方を継続的に改善できることを実証した。
論文 参考訳（メタデータ） (2021-11-01T15:09:41Z) - Instance-Dependent Partial Label Learning [69.49681837908511]
部分ラベル学習は、典型的には弱教師付き学習問題である。
既存のほとんどのアプローチでは、トレーニングサンプルの間違ったラベルがランダムに候補ラベルとして選択されていると仮定している。
本稿では,各例が実数で構成された潜在ラベル分布と関連していると仮定する。
論文 参考訳（メタデータ） (2021-10-25T12:50:26Z) - Training image classifiers using Semi-Weak Label Data [26.04162590798731]
多重インスタンス学習(MIL)では、弱ラベルがバッグレベルで提供され、存在/存在情報のみが知られる。
本稿では,この問題を軽減するため,新たな半弱ラベル学習パラダイムを提案する。
半弱ラベルから学習する問題に対処する2段階のフレームワークを提案する。
論文 参考訳（メタデータ） (2021-03-19T03:06:07Z) - Instance Credibility Inference for Few-Shot Learning [45.577880041135785]
ほとんどショットラーニングは、カテゴリごとに非常に限られたトレーニングデータを持つ新しいオブジェクトを認識することを目的としていない。
本稿では,未ラベルのインスタンスの分散サポートを数発の学習に活用するために,ICI (Instance Credibility Inference) と呼ばれる単純な統計手法を提案する。
我々の単純なアプローチは、広く使われている4つのショットラーニングベンチマークデータセットに基づいて、最先端の新たなデータセットを確立することができる。
論文 参考訳（メタデータ） (2020-03-26T12:01:15Z)
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。