論文の概要: On-orbit model training for satellite imagery with label proportions
- arxiv url: http://arxiv.org/abs/2306.12461v2
- Date: Mon, 11 Dec 2023 00:48:37 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-13 02:22:56.226690
- Title: On-orbit model training for satellite imagery with label proportions
- Title(参考訳): ラベル比を持つ衛星画像の軌道上モデルトレーニング
- Authors: Ra\'ul Ramos-Poll\'an, Fabio A. Gonz\'alez
- Abstract要約: この研究は、軌道上のプラットフォーム上で教師付き機械学習またはディープラーニングモデルをトレーニングするという課題に対処する。
我々は、軌道上の宇宙船が画像を取得する際に、継続的に軽量モデルを訓練できるようにすることを目標としている。
また、軌道上でトレーニング中の予測タスクを洗練または変更するための新しいラベルも受け取っています。
- 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 training supervised machine or deep
learning models on orbiting platforms where we are generally constrained by
limited on-board hardware capabilities and restricted uplink bandwidths to
upload. We aim at enabling orbiting spacecrafts to (1) continuously train a
lightweight model as it acquires imagery; and (2) receive new labels while on
orbit to refine or even change the predictive task being trained. For this, we
consider chip level regression tasks (i.e. predicting the vegetation percentage
of a 20 km$^2$ patch) when we only have coarser label proportions, such as
municipality level vegetation statistics (a municipality containing several
patches). Such labels proportions have the additional advantage that usually
come in tabular data and are widely available in many regions of the world and
application areas. This can be framed as a Learning from Label Proportions
(LLP) problem setup. LLP applied to Earth Observation (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 very simple deep learning and probabilistic methods (with
{\raise.17ex\hbox{$\scriptstyle\sim$}}5K parameters) 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
publish 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 show how this approach fits an on-orbit
training scenario by reducing vastly both the amount of computing and the size
of the labels sets. Source code is available at
https://github.com/rramosp/llpeo
- Abstract(参考訳): この研究は、オンボードのハードウェア能力の制限とアップロードのアップリンク帯域幅の制限が一般的である軌道上のプラットフォーム上で、教師付き機械学習モデルやディープラーニングモデルをトレーニングするという課題に対処する。
軌道上の宇宙船は、(1)画像を取得すると、連続的に軽量なモデルを訓練し、(2)軌道上で新しいラベルを受け取り、トレーニング中の予測タスクを洗練または変更することを目指している。
そこで我々は,自治体レベルの植生統計(複数のパッチを含む自治体)など,粗いラベルの比率のみを有する場合に,チップレベルの回帰タスク(すなわち,20 km$^2$パッチの植生率を予測すること)を検討する。
このようなラベルの割合は、通常表データに含まれ、世界中の多くの地域やアプリケーション領域で広く利用可能である追加の利点を持っている。
これは、LLP(Learning from Label Proportions)問題設定として表すことができる。
地球観測(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、非常に単純な深層学習と確率的手法( {\raise.17ex\hbox{$\scriptstyle\sim$}}5K パラメータ)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。
第2に,既存の行政区分に従って,詳細な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公表する。
最後に、この手法が軌道上でのトレーニングシナリオにどのように適合するかを示し、計算量とラベルセットのサイズを大幅に削減する。
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。