論文の概要: Efficient Curriculum based Continual Learning with Informative Subset
Selection for Remote Sensing Scene Classification
- arxiv url: http://arxiv.org/abs/2309.01050v1
- Date: Sun, 3 Sep 2023 01:25:40 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-06 23:38:08.358526
- Title: Efficient Curriculum based Continual Learning with Informative Subset
Selection for Remote Sensing Scene Classification
- Title（参考訳）: リモートセンシングシーン分類のためのインフォーマティブサブセット選択を用いた効率的なカリキュラムベース連続学習
- Authors: S Divakar Bhat, Biplab Banerjee, Subhasis Chaudhuri, Avik Bhattacharya
- Abstract要約: 光リモートセンシング(RS)画像からランドカバー分類の領域におけるクラスインクリメンタルラーニング(CIL)の問題に取り組む。
本稿では,最近のリプレイメモリ方式の成功に触発された新しいCILフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 27.456319725214474
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We tackle the problem of class incremental learning (CIL) in the realm of
landcover classification from optical remote sensing (RS) images in this paper.
The paradigm of CIL has recently gained much prominence given the fact that
data are generally obtained in a sequential manner for real-world phenomenon.
However, CIL has not been extensively considered yet in the domain of RS
irrespective of the fact that the satellites tend to discover new classes at
different geographical locations temporally. With this motivation, we propose a
novel CIL framework inspired by the recent success of replay-memory based
approaches and tackling two of their shortcomings. In order to reduce the
effect of catastrophic forgetting of the old classes when a new stream arrives,
we learn a curriculum of the new classes based on their similarity with the old
classes. This is found to limit the degree of forgetting substantially. Next
while constructing the replay memory, instead of randomly selecting samples
from the old streams, we propose a sample selection strategy which ensures the
selection of highly confident samples so as to reduce the effects of noise. We
observe a sharp improvement in the CIL performance with the proposed
components. Experimental results on the benchmark NWPU-RESISC45, PatternNet,
and EuroSAT datasets confirm that our method offers improved
stability-plasticity trade-off than the literature.
- Abstract（参考訳）: 本稿では,光学リモートセンシング(RS)画像から土地被覆分類の領域におけるクラスインクリメンタルラーニング(CIL)の問題に取り組む。
CILのパラダイムは、データは通常、実世界の現象に対してシーケンシャルな方法で得られるという事実から、最近大きな注目を集めている。
しかし、衛星が時間的に異なる地理的位置で新しいクラスを発見する傾向があるという事実にかかわらず、CILはまだRSの領域では広く検討されていない。
このモチベーションにより,リプレイメモリベースのアプローチの成功に触発された新しいCILフレームワークを提案し,その欠点に対処する。
新しいストリームが到着したとき、古いクラスを壊滅的に忘れてしまう影響を減らすために、新しいクラスのカリキュラムを、古いクラスとの類似性に基づいて学習する。
これは、実質的に忘れられる程度に制限される。
次に、リプレイメモリを構築しながら、古いストリームからサンプルをランダムに選択するのではなく、高信頼度サンプルの選択を確実にし、ノイズの影響を低減するサンプル選択戦略を提案する。
提案したコンポーネントによるCIL性能の大幅な改善を観察する。
ベンチマークnwpu-resisc45, patternnet, eurosatデータセットにおける実験結果から,本手法は文献よりも安定性と可塑性のトレードオフが向上していることが確認された。
関連論文リスト
- Happy: A Debiased Learning Framework for Continual Generalized Category Discovery [54.54153155039062]
本稿では,C-GCD(Continuous Generalized Category Discovery)の未探索課題について考察する。
C-GCDは、学習済みのクラスを認識する能力を維持しながら、ラベルのないデータから新しいクラスを漸進的に発見することを目的としている。
本稿では,ハードネスを意識したプロトタイプサンプリングとソフトエントロピー正規化を特徴とする,偏りのある学習フレームワークであるHappyを紹介する。
論文 参考訳（メタデータ） (2024-10-09T04:18:51Z) - Exemplar-Free Class Incremental Learning via Incremental Representation [26.759108983223115]
古い擬似機能を構築することなく, efCIL のためのtextbfsimple Incremental Representation (IR) フレームワークを提案する。
IRはデータセット拡張を利用して、適切な特徴空間をカバーし、単一のL2スペースメンテナンス損失を使用することでモデルを忘れないようにしている。
論文 参考訳（メタデータ） (2024-03-24T16:29:50Z) - Learning Prompt with Distribution-Based Feature Replay for Few-Shot Class-Incremental Learning [56.29097276129473]
分散型特徴再現(LP-DiF)を用いた学習プロンプト(Learning Prompt)という,シンプルで効果的なフレームワークを提案する。
新しいセッションでは,学習可能なプロンプトが古い知識を忘れないようにするため,擬似機能的リプレイ手法を提案する。
新しいセッションに進むと、古いクラスのディストリビューションと現在のセッションのトレーニングイメージを組み合わせて擬似フィーチャーをサンプリングして、プロンプトを最適化する。
論文 参考訳（メタデータ） (2024-01-03T07:59:17Z) - Fast Hierarchical Learning for Few-Shot Object Detection [57.024072600597464]
転送学習アプローチは、最近、数ショット検出タスクで有望な結果を得た。
これらのアプローチは、ベース検出器の微調整による破滅的な忘れ込みの問題に悩まされる。
この作業における上記の問題に対処する。
論文 参考訳（メタデータ） (2022-10-10T20:31:19Z) - Improving Replay-Based Continual Semantic Segmentation with Smart Data
Selection [0.0]
セマンティックセグメンテーションにおける様々なリプレイ戦略の影響について検討し,クラス・インクリメンタル・セッティングとドメイン・インクリメンタル・セッティングで評価する。
本研究は,クラス増分設定において,バッファ内の異なるクラスに対して一様分布を実現することが重要であることを示唆する。
ドメインインクリメンタルな設定では、学習した特徴表現の分布から一様にサンプリングしたり、中央値のエントロピーを持つサンプルを選択することでバッファサンプルを選択することが最も効果的である。
論文 参考訳（メタデータ） (2022-09-20T16:32:06Z) - Self-Supervised Class Incremental Learning [51.62542103481908]
既存のクラスインクリメンタルラーニング(CIL)手法は、データラベルに敏感な教師付き分類フレームワークに基づいている。
新しいクラスデータに基づいて更新する場合、それらは破滅的な忘れがちである。
本稿では,SSCILにおける自己指導型表現学習のパフォーマンスを初めて考察する。
論文 参考訳（メタデータ） (2021-11-18T06:58:19Z) - An Investigation of Replay-based Approaches for Continual Learning [79.0660895390689]
連続学習(CL)は機械学習(ML)の大きな課題であり、破滅的忘れ(CF)を伴わずに連続的に複数のタスクを学習する能力を記述する。
いくつかの解クラスが提案されており、その単純さと堅牢性から、いわゆるリプレイベースのアプローチは非常に有望であるように思われる。
連続学習におけるリプレイに基づくアプローチを実証的に検討し,応用の可能性を評価する。
論文 参考訳（メタデータ） (2021-08-15T15:05:02Z) - Improving Calibration for Long-Tailed Recognition [68.32848696795519]
このようなシナリオにおけるキャリブレーションとパフォーマンスを改善する2つの方法を提案します。
異なるサンプルによるデータセットバイアスに対して,シフトバッチ正規化を提案する。
提案手法は,複数の長尾認識ベンチマークデータセットに新しいレコードをセットする。
論文 参考訳（メタデータ） (2021-04-01T13:55:21Z) - Class-incremental Learning with Rectified Feature-Graph Preservation [24.098892115785066]
本論文の中心的なテーマは,逐次的な段階を経る新しいクラスを学習することである。
旧知識保存のための重み付きユークリッド正規化を提案する。
新しいクラスを効果的に学習するために、クラス分離を増やすためにバイナリクロスエントロピーでどのように機能するかを示す。
論文 参考訳（メタデータ） (2020-12-15T07:26:04Z) - Lifelong Object Detection [28.608982224098565]
私たちは、新しいトレーニングクラスが逐次的に到着し、モデルを漸進的に洗練するという事実を活用します。
我々は、高精度かつ効率的な予測のために、代表対象検出器であるFaster R-CNNを検討する。
論文 参考訳（メタデータ） (2020-09-02T15:08:51Z) - Novelty Detection via Non-Adversarial Generative Network [47.375591404354765]
新しいデコーダ-エンコーダフレームワークが,新規検出タスクのために提案されている。
非敵対的な枠組みの下では、潜伏空間と画像再構成空間の両方が共同最適化されている。
我々のモデルは、最先端のノベルティ検出器よりも明らかな優位性を持ち、データセットの最先端の結果を達成する。
論文 参考訳（メタデータ） (2020-02-03T01:05:59Z)
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。