論文の概要: Efficient labeling of solar flux evolution videos by a deep learning model

• arxiv url: http://arxiv.org/abs/2308.14976v1
• Date: Tue, 29 Aug 2023 02:05:40 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-30 16:09:58.732786
• Title: Efficient labeling of solar flux evolution videos by a deep learning model
• Title（参考訳）: 深層学習モデルによる太陽フラックス進化ビデオの効率的なラベリング
• Authors: Subhamoy Chatterjee, Andr\'es Mu\~noz-Jaramillo, and Derek A. Lamb
• Abstract要約: 畳み込みニューラルネットワーク(CNN)は,データラベリングの品質向上に有効であることを示す。 我々は、粗末なラベルを使用してCNNを訓練し、手動で検証し、CNNとCNNの不一致を正し、収束するまでこのプロセスを繰り返す。 この反復的プロセスによって導出された高品質なラベル付きデータセットは、必要な手作業による検証を50%削減する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning (ML) is becoming a critical tool for interrogation of large complex data. Labeling, defined as the process of adding meaningful annotations, is a crucial step of supervised ML. However, labeling datasets is time consuming. Here we show that convolutional neural networks (CNNs), trained on crudely labeled astronomical videos, can be leveraged to improve the quality of data labeling and reduce the need for human intervention. We use videos of the solar magnetic field, crudely labeled into two classes: emergence or non-emergence of bipolar magnetic regions (BMRs), based on their first detection on the solar disk. We train CNNs using crude labels, manually verify, correct labeling vs. CNN disagreements, and repeat this process until convergence. Traditionally, flux emergence labelling is done manually. We find that a high-quality labeled dataset, derived through this iterative process, reduces the necessary manual verification by 50%. Furthermore, by gradually masking the videos and looking for maximum change in CNN inference, we locate BMR emergence time without retraining the CNN. This demonstrates the versatility of CNNs for simplifying the challenging task of labeling complex dynamic events.
• Abstract（参考訳）: 機械学習(ML)は、大規模な複雑なデータを尋問するための重要なツールになりつつある。 意味のあるアノテーションを追加するプロセスとして定義されたラベル付けは、教師付きMLの重要なステップである。 しかし、データセットのラベル付けには時間がかかる。 ここでは,粗くラベル付けされた天文ビデオで訓練された畳み込みニューラルネットワーク(convolutional neural networks,cnns)を用いて,データラベルの品質向上と人的介入の必要性の低減を図る。 バイポーラ磁気領域(bmrs)の出現または非出現の2つのクラスに大まかにラベル付けされた太陽磁場のビデオを、太陽円盤上での最初の検出に基づいて使用する。 我々は、粗末なラベルを使用してCNNを訓練し、手動で検証し、CNNとCNNの不一致を正し、収束するまでこのプロセスを繰り返す。 伝統的に、フラックスの出現ラベリングは手動で行われる。 この反復プロセスを通じて得られる高品質のラベル付きデータセットは、必要な手動検証を50%削減する。 さらに,動画を徐々にマスキングし,cnn推論の最大変化を求めることで,cnnを再訓練することなくbmrの発生時間を求める。 これは複雑な動的イベントのラベル付けの課題を単純化するためのcnnの汎用性を示している。

関連論文リスト

• Granular-ball Representation Learning for Deep CNN on Learning with Label Noise [14.082510085545582]
  本稿では,CNNモデルに組み込むことが可能な一般粒界計算(GBC)モジュールを提案する。 本研究では,入力サンプルを機能レベルで$gb$のサンプルとして分割し,各サンプルは異なる数を持つ複数のサンプルに対応して1つのラベルを共有できることを示した。 実験により,提案手法は追加データや最適化を伴わずにCNNモデルのロバスト性を向上させることができることが示された。
  論文  参考訳（メタデータ） (2024-09-05T05:18:31Z)
• Mapping Degeneration Meets Label Evolution: Learning Infrared Small Target Detection with Single Point Supervision [32.27190522495652]
  我々は、赤外小目標検出をポイントレベルの監視で実現するための最初の試みを行っている。 本稿では,ラベルを段階的に拡張するために,単一点監視(LESPS)を用いたラベル進化というラベル進化フレームワークを提案する。 本手法の有効性を検証するため,洞察力のある可視化実験を行った。
  論文  参考訳（メタデータ） (2023-04-04T02:55:57Z)
• Label Noise-Resistant Mean Teaching for Weakly Supervised Fake News Detection [93.6222609806278]
  本稿では,弱い教師付き偽ニュース検出のためのラベル雑音耐性平均教育手法 (LNMT) を提案する。 LNMTは、未ラベルのニュースとユーザのフィードバックコメントを活用して、トレーニングデータの量を増やす。 LNMTはラベル伝搬とラベル信頼性推定を備えた平均教師フレームワークを確立する。
  論文  参考訳（メタデータ） (2022-06-10T16:01:58Z)
• Informative Pseudo-Labeling for Graph Neural Networks with Few Labels [12.83841767562179]
  グラフニューラルネットワーク(GNN)は、グラフ上の半教師付きノード分類のための最先端の結果を得た。 非常に少数のレーベルでGNNを効果的に学習する方法の課題は、まだ解明されていない。 我々は、非常に少ないラベルを持つGNNの学習を容易にするために、InfoGNNと呼ばれる新しい情報的擬似ラベルフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-01-20T01:49:30Z)
• R$^2$-Net: Relation of Relation Learning Network for Sentence Semantic Matching [58.72111690643359]
  文意味マッチングのための関係学習ネットワーク(R2-Net)を提案する。 最初にBERTを使用して、グローバルな視点から入力文をエンコードします。 次に、cnnベースのエンコーダは、ローカルな視点からキーワードやフレーズ情報をキャプチャするように設計されている。 関係情報抽出にラベルを十分に活用するために,関係分類タスクの自己教師付き関係性を導入する。
  論文  参考訳（メタデータ） (2020-12-16T13:11:30Z)
• A CNN-based Feature Space for Semi-supervised Incremental Learning in Assisted Living Applications [2.1485350418225244]
  トレーニングデータセットから得られた特徴空間を用いて、問題のある画像を自動的にラベル付けする。 その結果、半教師付き漸進的な学習プロセスにより、新しいインスタンスの分類精度を40%向上させることができる。
  論文  参考訳（メタデータ） (2020-11-11T12:31:48Z)
• Deep learning for gravitational-wave data analysis: A resampling white-box approach [62.997667081978825]
  我々は、LIGO検出器からの単一干渉計データを用いて、畳み込みニューラルネットワーク(CNN)を用いて、コンパクトなバイナリコレッセンスにおける重力波(GW)信号を検出する。 CNNはノイズを検出するのに非常に正確だが、GW信号のリコールに十分な感度がないため、CNNはGWトリガの生成よりもノイズ低減に適している。
  論文  参考訳（メタデータ） (2020-09-09T03:28:57Z)
• Temporal Calibrated Regularization for Robust Noisy Label Learning [60.90967240168525]
  ディープニューラルネットワーク(DNN)は、大規模な注釈付きデータセットの助けを借りて、多くのタスクで大きな成功を収めている。 しかし、大規模なデータのラベル付けは非常にコストがかかりエラーが発生しやすいため、アノテーションの品質を保証することは困難である。 本稿では,従来のラベルと予測を併用したTCR(Temporal Calibrated Regularization)を提案する。
  論文  参考訳（メタデータ） (2020-07-01T04:48:49Z)
• Labelling unlabelled videos from scratch with multi-modal self-supervision [82.60652426371936]
  ビデオデータセットの教師なしラベリングは、強力な機能エンコーダから解放されない。 人間のアノテーションを使わずにビデオデータセットの擬似ラベリングを可能にする新しいクラスタリング手法を提案する。 広範囲な分析により、結果として得られたクラスタは、真理の人間ラベルと高いセマンティックオーバーラップがあることが示されている。
  論文  参考訳（メタデータ） (2020-06-24T12:28:17Z)
• 3D medical image segmentation with labeled and unlabeled data using autoencoders at the example of liver segmentation in CT images [58.720142291102135]
  本研究では、畳み込みニューラルネットワークによるセグメンテーションを改善するために、オートエンコーダ抽出機能の可能性を検討する。 コンボリューション・オートエンコーダを用いてラベルのないデータから特徴を抽出し,CT画像における3次元肝セグメンテーションの目標タスクを実行するために,マルチスケールの完全畳み込みCNNを用いた。
  論文  参考訳（メタデータ） (2020-03-17T20:20:43Z)
• VideoSSL: Semi-Supervised Learning for Video Classification [30.348819309923098]
  畳み込みニューラルネットワーク(CNN)を用いたビデオ分類ビデオSSLのための半教師付き学習手法を提案する。 大規模な注釈付きデータセットへの依存を最小限に抑えるため,提案手法は少数のラベル付きサンプルから学習する。 ラベルのない例からの案内信号の監督の下,CNNは印象的な性能を達成できることを示す。
  論文  参考訳（メタデータ） (2020-02-29T07:13:12Z)

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。