論文の概要: Comparison of Cross-Entropy, Dice, and Focal Loss for Sea Ice Type Segmentation

• arxiv url: http://arxiv.org/abs/2310.17135v1
• Date: Thu, 26 Oct 2023 04:18:00 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-27 22:23:41.493823
• Title: Comparison of Cross-Entropy, Dice, and Focal Loss for Sea Ice Type Segmentation
• Title（参考訳）: 海氷型セグメンテーションにおけるクロスエントロピー, ダイス, 焦点損失の比較
• Authors: Rafael Pires de Lima, Behzad Vahedi, Morteza Karimzadeh
• Abstract要約: 我々は,3つの損失関数がセンチネル-1画像における支配的な氷のタイプを予測するために訓練されたCNNモデルの性能にどう影響するかを示す。 Dice と Focal の損失がより高いメトリクスを生み出すという事実にもかかわらず、クロスエントロピーの結果は一般により物理的に一貫性があるように見える。
• 参考スコア（独自算出の注目度）: 1.4364491422470593
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Up-to-date sea ice charts are crucial for safer navigation in ice-infested waters. Recently, Convolutional Neural Network (CNN) models show the potential to accelerate the generation of ice maps for large regions. However, results from CNN models still need to undergo scrutiny as higher metrics performance not always translate to adequate outputs. Sea ice type classes are imbalanced, requiring special treatment during training. We evaluate how three different loss functions, some developed for imbalanced class problems, affect the performance of CNN models trained to predict the dominant ice type in Sentinel-1 images. Despite the fact that Dice and Focal loss produce higher metrics, results from cross-entropy seem generally more physically consistent.
• Abstract（参考訳）: 最新の海氷チャートは、氷に感染した海域の安全な航行に不可欠である。 近年,畳み込みニューラルネットワーク(cnn)モデルが大規模氷床地図の生成を加速する可能性を示している。 しかし、CNNモデルの結果は、必ずしも適切な出力に変換されるとは限らないため、引き続き精査する必要がある。 海氷型クラスは不均衡であり、訓練中に特別な治療を必要とする。 我々は,不均衡なクラス問題のために開発された3種類の損失関数が,センチネル1画像における支配的な氷型を予測するために訓練されたCNNモデルの性能に与える影響を評価する。 Dice と Focal の損失がより高いメトリクスを生み出すという事実にもかかわらず、クロスエントロピーの結果は一般により物理的に一貫性があるように見える。

関連論文リスト

• Graph Neural Networks for Emulation of Finite-Element Ice Dynamics in Greenland and Antarctic Ice Sheets [0.0]
  同変グラフ畳み込みネットワーク(EGCN)は、氷床力学モデリングのためのエミュレータである。 EGCNはヘルハイム氷河、グリーンランド氷河、パインアイランド氷河の氷厚と速度の変化をそれぞれ260倍と44倍の速度で再現する。
  論文  参考訳（メタデータ） (2024-06-26T15:18:49Z)
• Partial Label Learning with Focal Loss for Sea Ice Classification Based on Ice Charts [2.0270474485799017]
  本稿では,海氷分類を学習するための新しいGeoAI手法を提案する。 我々は、ポリゴンレベルのラベルを候補部分ラベルとして扱い、対応する氷濃度を各ラベルの信頼性スコアとして割り当て、焦点損失と統合して畳み込みニューラルネットワーク(CNN)を訓練する。 提案手法により,Sentinel-1双偏極SAR画像の海氷分類性能が向上し,分類精度が87%から92%に向上し,F-1スコアが90%から93%に向上した。
  論文  参考訳（メタデータ） (2024-06-05T22:49:30Z)
• Deep Learning on SAR Imagery: Transfer Learning Versus Randomly Initialized Weights [1.6969743728555278]
  我々は、スクラッチから訓練したディープラーニングモデルと、この目的のために微調整した事前学習モデルのパフォーマンスを比較した。 以上の結果から, 予訓練モデルにより, 特に融雪期の試験試料において, 良好な結果が得られたことが示唆された。
  論文  参考訳（メタデータ） (2023-10-26T03:52:54Z)
• Boosted Dynamic Neural Networks [53.559833501288146]
  典型的なEDNNは、ネットワークバックボーンの異なる層に複数の予測ヘッドを持つ。 モデルを最適化するために、これらの予測ヘッドとネットワークバックボーンは、トレーニングデータのバッチ毎にトレーニングされる。 トレーニングと2つのフェーズでのインプットの異なるテストは、トレーニングとデータ分散のテストのミスマッチを引き起こす。 EDNNを勾配強化にインスパイアされた付加モデルとして定式化し、モデルを効果的に最適化するための複数のトレーニング手法を提案する。
  論文  参考訳（メタデータ） (2022-11-30T04:23:12Z)
• Detecting train driveshaft damages using accelerometer signals and Differential Convolutional Neural Networks [67.60224656603823]
  本稿では,高度2次元畳み込みニューラルネットワーク(CNN)アーキテクチャに基づく鉄道軸状態監視システムの開発を提案する。 その結果,鉄道軸受振動信号を時間周波数領域表現,すなわち分光図に変換し,そのひび割れに応じて2次元CNNを訓練する。
  論文  参考訳（メタデータ） (2022-11-15T15:04:06Z)
• Network Augmentation for Tiny Deep Learning [73.57192520534585]
  ニューラルネットワークの性能向上のための新しいトレーニング手法であるNetAug(Net Aug)を紹介する。 画像分類と物体検出におけるNetAugの有効性を示す。
  論文  参考訳（メタデータ） (2021-10-17T18:48:41Z)
• Churn Reduction via Distillation [54.5952282395487]
  本研究は, 基礎モデルを教師として用いた蒸留によるトレーニングと, 予測的チャーンに対する明示的な制約によるトレーニングとの等価性を示す。 次に, 蒸留が近年の多くのベースラインに対する低チャーン訓練に有効であることを示す。
  論文  参考訳（メタデータ） (2021-06-04T18:03:31Z)
• BreakingBED -- Breaking Binary and Efficient Deep Neural Networks by Adversarial Attacks [65.2021953284622]
  CNNのホワイトボックス攻撃やブラックボックス攻撃に対する堅牢性について検討する。 結果は、蒸留されたCNN、エージェントベースの最新のprunedモデル、およびバイナライズニューラルネットワークのために示されています。
  論文  参考訳（メタデータ） (2021-03-14T20:43:19Z)
• On Mathews Correlation Coefficient and Improved Distance Map Loss for Automatic Glacier Calving Front Segmentation in SAR Imagery [7.64750171496838]
  アウトレット氷河や極地氷床の氷流の大部分は海に終止符を打っている。 過去数十年間、氷河の海への転覆による氷の質量損失は増加している。 ディープニューラルネットワークベースのセマンティックセグメンテーションパイプラインを使用して、取得したSARイメージを記述することができる。
  論文  参考訳（メタデータ） (2021-02-16T17:53:34Z)
• Long-Tailed Classification by Keeping the Good and Removing the Bad Momentum Causal Effect [95.37587481952487]
  長い尾の分類は、大規模なディープラーニングの鍵である。 既存の手法は主に、基本的な理論を欠いた再重み付け/再サンプリングに基づいている。 本稿では,従来の手法の理由を解明するだけでなく,新たな原理的解を導出する因果推論の枠組みを確立する。
  論文  参考訳（メタデータ） (2020-09-28T00:32:11Z)
• Using neural networks to predict icephobic performance [0.5076419064097732]
  超疎水性表面に触発されたアイスホビック表面は、アイシング問題に対する受動的解を提供する。 超水素疎水化を助長する物質的特徴が氷疎水化性能に悪影響を及ぼす可能性があるため、氷疎水化のモデル化は困難である。 本研究では, 人工ニューラルネットワークを用いたアイスフォビシティのモデル化手法を提案する。
  論文  参考訳（メタデータ） (2020-07-31T05:37:06Z)

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。