Fugu-MT 論文翻訳(概要): Supervised domain adaptation for building extraction from off-nadir aerial images

論文の概要: Supervised domain adaptation for building extraction from off-nadir aerial images

arxiv url: http://arxiv.org/abs/2311.03867v2
Date: Wed, 7 Aug 2024 02:32:40 GMT
ステータス: 処理完了
システム内更新日: 2024-08-08 18:13:59.388279
Title: Supervised domain adaptation for building extraction from off-nadir aerial images
Title（参考訳）: オフナディア航空画像からの建物抽出のためのドメイン適応の監督
Authors: Bipul Neupane, Jagannath Aryal, Abbas Rajabifard,
Abstract要約: 本稿では,ノイズとクリーンなデータセット間のエンコーダ・デコーダネットワーク(EDN)の教師付きドメイン適応を提案し,この問題に対処する。 EDNは、EfficientNet、ResNeSt、MobileViTなどの高性能軽量エンコーダで構成されている。堅牢な実験設計では、43個の軽量CNN、5個のオプティマイザ、9個の損失関数、7個のEDNをベンチマークし、SDAで最高の性能のEDNを得る。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Building extraction $-$ needed for inventory management and planning of urban environment $-$ is affected by the misalignment between labels and off-nadir source imagery in training data. Teacher-Student learning of noise-tolerant convolutional neural networks (CNNs) is the existing solution, but the Student networks typically have lower accuracy and cannot surpass the Teacher's performance. This paper proposes a supervised domain adaptation (SDA) of encoder-decoder networks (EDNs) between noisy and clean datasets to tackle the problem. EDNs are configured with high-performing lightweight encoders such as EfficientNet, ResNeSt, and MobileViT. The proposed method is compared against the existing Teacher-Student learning methods like knowledge distillation (KD) and deep mutual learning (DML) with three newly developed datasets. The methods are evaluated for different urban buildings (low-rise, mid-rise, high-rise, and skyscrapers), where misalignment increases with the increase in building height and spatial resolution. For a robust experimental design, 43 lightweight CNNs, five optimisers, nine loss functions, and seven EDNs are benchmarked to obtain the best-performing EDN for SDA. The SDA of the best-performing EDN from our study significantly outperformed KD and DML with up to 0.943, 0.868, 0.912, and 0.697 F1 scores in the low-rise, mid-rise, high-rise, and skyscrapers respectively. The proposed method and the experimental findings will be beneficial in training robust CNNs for building extraction.
Abstract（参考訳）: インベントリ管理と都市環境計画に要する$-$の構築は、トレーニングデータにおけるラベルとオフナディアソースイメージの不一致の影響を受けます。雑音耐性畳み込みニューラルネットワーク(CNN)の教師-学生学習は、既存のソリューションであるが、学生ネットワークは通常、より精度が低く、教師のパフォーマンスを上回ることはできない。本稿では、ノイズとクリーンなデータセット間のエンコーダ・デコーダネットワーク(EDN)の教師付きドメイン適応(SDA)を提案する。 EDNは、EfficientNet、ResNeSt、MobileViTなどの高性能軽量エンコーダで構成されている。提案手法は,知識蒸留 (KD) や深層相互学習 (DML) といった既存の教員・学生の学習手法と,新たに開発された3つのデータセットを比較した。これらの手法は、建物の高さと空間分解能の増大に伴い、不整合が増大する都市建物(低層、中層、高層、高層ビル)に対して評価される。堅牢な実験設計では、43個の軽量CNN、5個のオプティマイザ、9個の損失関数、7個のEDNをベンチマークし、SDAで最高の性能のEDNを得る。本研究から得られた最高性能EDNのSDAは, 低層, 中層, 高層, 高層ビルにおいて, 0.943, 0.868, 0.912, 0.697 F1のスコアで, KD, DMLを有意に上回った。提案手法と実験結果は,建物抽出のための頑健なCNNの訓練に有用である。

関連論文リスト

Relative Difficulty Distillation for Semantic Segmentation [54.76143187709987]
我々は,Relative Difficulty Distillation (RDD) というセマンティックセグメンテーションのための画素レベルのKDパラダイムを提案する。 RDDにより、教師ネットワークは、追加の最適化目標を伴わずに、学習焦点に対する効果的なガイダンスを提供することができる。我々の研究は、RDDが既存のKDメソッドと統合して、上位パフォーマンスバウンダリを改善できることを示します。
論文参考訳（メタデータ） (2024-07-04T08:08:25Z)
Class-Imbalanced Semi-Supervised Learning for Large-Scale Point Cloud Semantic Segmentation via Decoupling Optimization [64.36097398869774]
半教師付き学習(SSL)は大規模3Dシーン理解のための活発な研究課題である。既存のSSLベースのメソッドは、クラス不均衡とポイントクラウドデータのロングテール分布による厳しいトレーニングバイアスに悩まされている。本稿では,特徴表現学習と分類器を別の最適化方法で切り離してバイアス決定境界を効果的にシフトする,新しいデカップリング最適化フレームワークを提案する。
論文参考訳（メタデータ） (2024-01-13T04:16:40Z)
Augmentation-Free Dense Contrastive Knowledge Distillation for Efficient Semantic Segmentation [16.957139277317005]
Af-DCD(Augmentation-free Dense Contrastive Knowledge Distillation)は、新しいコントラスト蒸留学習パラダイムである。 Af-DCDはセマンティックセグメンテーションのためのコンパクトで正確なディープニューラルネットワークを訓練する。
論文参考訳（メタデータ） (2023-12-07T09:37:28Z)
Feature-domain Adaptive Contrastive Distillation for Efficient Single Image Super-Resolution [3.2453621806729234]
CNNベースのSISRは、多くのパラメータと高い計算コストを持ち、より良い性能を実現している。知識蒸留(KD)は教師の有用な知識を学生に伝達する。本稿では,軽量なSISRネットワークを効率的に訓練するための特徴領域適応型コントラスト蒸留(FACD)手法を提案する。
論文参考訳（メタデータ） (2022-11-29T06:24:14Z)
SmoothNets: Optimizing CNN architecture design for differentially private deep learning [69.10072367807095]
DPSGDは、サンプルごとの勾配の切り抜きとノイズ付けを必要とする。これにより、非プライベートトレーニングと比較してモデルユーティリティが削減される。 SmoothNetと呼ばれる新しいモデルアーキテクチャを蒸留し,DP-SGDトレーニングの課題に対するロバスト性の向上を特徴とした。
論文参考訳（メタデータ） (2022-05-09T07:51:54Z)
Open-Set Semi-Supervised Learning for 3D Point Cloud Understanding [62.17020485045456]
半教師付き学習(SSL)では、ラベル付きデータと同じ分布からラベル付きデータが引き出されることが一般的である。サンプル重み付けによりラベルなしデータを選択的に活用することを提案する。
論文参考訳（メタデータ） (2022-05-02T16:09:17Z)
Improved Aggregating and Accelerating Training Methods for Spatial Graph Neural Networks on Fraud Detection [0.0]
本稿では,CARE-GNNをResidual Layered CARE-GNN(RLC-GNN)と呼ばれるディープモデルに拡張する改良されたディープアーキテクチャを提案する。 RLC-GNNの3つの課題は、近隣情報の利用が制限に達すること、訓練の難しさ、およびノードの特徴や外部パターンに関する包括的な考慮の欠如である。 YelpとAmazonのデータセットで実験が行われる。
論文参考訳（メタデータ） (2022-02-14T09:51:35Z)
Spirit Distillation: Precise Real-time Prediction with Insufficient Data [4.6247655021017655]
スピリット蒸留(SD)という新しいトレーニングフレームワークを提案します。微細チューニングに基づく伝達学習(FTT)と特徴に基づく知識蒸留の考え方を拡張している。その結果, セグメンテーション(mIOU)において, 精度が1.4%, 精度が8.2%向上した。
論文参考訳（メタデータ） (2021-03-25T10:23:30Z)
Deep Time Delay Neural Network for Speech Enhancement with Full Data Learning [60.20150317299749]
本稿では,全データ学習による音声強調のためのディープタイム遅延ニューラルネットワーク(TDNN)を提案する。トレーニングデータを完全に活用するために,音声強調のための完全なデータ学習手法を提案する。
論文参考訳（メタデータ） (2020-11-11T06:32:37Z)
Kernel Based Progressive Distillation for Adder Neural Networks [71.731127378807]
追加のみを含むAdder Neural Networks(ANN)は、エネルギー消費の少ないディープニューラルネットワークを新たに開発する方法を提供する。すべての畳み込みフィルタを加算フィルタで置き換える場合、精度の低下がある。本稿では,トレーニング可能なパラメータを増大させることなく,ANNの性能を向上するための新しい手法を提案する。
論文参考訳（メタデータ） (2020-09-28T03:29:19Z)
A Unified Plug-and-Play Framework for Effective Data Denoising and Robust Abstention [4.200576272300216]
基礎となるデータ密度を利用した統合フィルタリングフレームワークを提案する。我々のフレームワークは、トレーニングデータを効果的にデノベートし、不確実なテストデータポイントの予測を避けることができる。
論文参考訳（メタデータ） (2020-09-25T04:18:08Z)

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。