論文の概要: Adaptive-Labeling for Enhancing Remote Sensing Cloud Understanding
- arxiv url: http://arxiv.org/abs/2311.05198v1
- Date: Thu, 9 Nov 2023 08:23:45 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-10 15:55:40.435013
- Title: Adaptive-Labeling for Enhancing Remote Sensing Cloud Understanding
- Title（参考訳）: リモートセンシングクラウド理解を支援するAdaptive-Labeling
- Authors: Jay Gala, Sauradip Nag, Huichou Huang, Ruirui Liu and Xiatian Zhu
- Abstract要約: 我々は、トレーニングデータアノテーションの品質を高めるために反復的に運用される、革新的なモデルに依存しないCloud Adaptive-Labeling(CAL)アプローチを導入する。
本手法は,クラウドセグメンテーションモデルをオリジナルのアノテーションを用いてトレーニングすることで開始する。
トレーニング可能なピクセル強度閾値を導入し、雲のトレーニング画像をリアルタイムでアダプティブにラベル付けする。
新たに生成されたラベルはモデルを微調整するために使用される。
- 参考スコア（独自算出の注目度）: 40.572147431473034
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cloud analysis is a critical component of weather and climate science,
impacting various sectors like disaster management. However, achieving
fine-grained cloud analysis, such as cloud segmentation, in remote sensing
remains challenging due to the inherent difficulties in obtaining accurate
labels, leading to significant labeling errors in training data. Existing
methods often assume the availability of reliable segmentation annotations,
limiting their overall performance. To address this inherent limitation, we
introduce an innovative model-agnostic Cloud Adaptive-Labeling (CAL) approach,
which operates iteratively to enhance the quality of training data annotations
and consequently improve the performance of the learned model. Our methodology
commences by training a cloud segmentation model using the original
annotations. Subsequently, it introduces a trainable pixel intensity threshold
for adaptively labeling the cloud training images on the fly. The newly
generated labels are then employed to fine-tune the model. Extensive
experiments conducted on multiple standard cloud segmentation benchmarks
demonstrate the effectiveness of our approach in significantly boosting the
performance of existing segmentation models. Our CAL method establishes new
state-of-the-art results when compared to a wide array of existing
alternatives.
- Abstract（参考訳）: クラウド分析は気象と気候科学の重要な要素であり、災害管理など様々な分野に影響を及ぼす。
しかしながら、クラウドセグメンテーションのようなきめ細かいクラウド分析をリモートセンシングで達成することは、正確なラベルを取得することが本質的に困難であるため、トレーニングデータのエラーを著しくラベリングすることに繋がる。
既存のメソッドは、信頼できるセグメンテーションアノテーションを前提として、全体的なパフォーマンスを制限します。
この本質的な制限に対処するために,我々は,データアノテーションのトレーニングの質向上と学習モデルの性能向上のために反復的に動作する,革新的なモデル非依存クラウド適応ラベル(cal)アプローチを導入する。
本手法は,クラウドセグメンテーションモデルをオリジナルのアノテーションを用いてトレーニングすることで開始する。
その後、雲のトレーニング画像に適応的にラベル付けするためのトレーニング可能なピクセル強度閾値を導入する。
新たに生成されたラベルはモデルを微調整するために使用される。
複数の標準クラウドセグメンテーションベンチマークで行った大規模な実験は、既存のセグメンテーションモデルの性能を大幅に向上させるアプローチの有効性を示した。
我々のCAL法は,既存手法と比較して,新しい最先端結果を確立する。
関連論文リスト
- Complementary Learning for Real-World Model Failure Detection [15.779651238128562]
そこでは、異なる訓練パラダイムから学習特性を用いてモデルエラーを検出する。
我々は,制御的かつ自己管理的な方法で,点群における意味的および予測的動作ラベルを学習することにより,我々のアプローチを実証する。
大規模定性解析を行い、ライダー点雲にラベル付き異常を持つ最初のデータセットであるLidarCODAを提示する。
論文 参考訳（メタデータ） (2024-07-19T13:36:35Z) - Test-Time Training for Semantic Segmentation with Output Contrastive
Loss [12.535720010867538]
ディープラーニングベースのセグメンテーションモデルは、公開ベンチマークで印象的なパフォーマンスを達成したが、目に見えない環境にうまく一般化することは、依然として大きな課題である。
本稿では、適応過程を安定させるために、頑健で一般化された表現を学習する能力で知られるコントラストロス(OCL)を紹介する。
本手法は,テスト領域データに対するドメイン適応法を用いて事前学習したモデルに適用した場合においても優れ,そのレジリエンスと適応性を示す。
論文 参考訳（メタデータ） (2023-11-14T03:13:47Z) - Learning-Based Biharmonic Augmentation for Point Cloud Classification [79.13962913099378]
Biharmonic Augmentation (BA)は、新しくて効率的なデータ拡張技術である。
BAは、既存の3D構造にスムーズな非剛性変形を与えることにより、点雲データを多様化する。
本稿では,先進的なオンライン強化システムであるAdvTuneについて紹介する。
論文 参考訳（メタデータ） (2023-11-10T14:04:49Z) - Effective Utilisation of Multiple Open-Source Datasets to Improve
Generalisation Performance of Point Cloud Segmentation Models [0.0]
航空点雲データのセマンティックセグメンテーションは、地面、建物、植生などのクラスに属するポイントを区別するために利用することができる。
ドローンや飛行機に搭載された空中センサーから発生する点雲は、LIDARセンサーやカメラと光度計を利用することができる。
そこで本研究では,データセットの単純な組み合わせが,期待通りに一般化性能を向上したモデルを生成することを示す。
論文 参考訳（メタデータ） (2022-11-29T02:31:01Z) - HAVANA: Hard negAtiVe sAmples aware self-supervised coNtrastive leArning
for Airborne laser scanning point clouds semantic segmentation [9.310873951428238]
本研究は, セマンティックセグメンテーションのためのモデルを事前学習するための, 自己指導型コントラスト学習手法を提案する。
提案したHAVANA法は,教師付きパラダイム性能の94%をフルトレーニングセットで上回っている。
論文 参考訳（メタデータ） (2022-10-19T15:05:17Z) - LESS: Label-Efficient Semantic Segmentation for LiDAR Point Clouds [62.49198183539889]
我々は,LiDAR点雲を用いた屋外シーンのためのラベル効率のよいセマンティックセマンティックセマンティクスパイプラインを提案する。
本手法は,半弱教師付き学習を用いて,効率的なラベリング手法を設計する。
提案手法は,100%ラベル付き完全教師付き手法と比較して,さらに競争力が高い。
論文 参考訳（メタデータ） (2022-10-14T19:13:36Z) - Data Augmentation-free Unsupervised Learning for 3D Point Cloud
Understanding [61.30276576646909]
ソフトクラスタリング(SoftClu)と呼ばれる,移動可能な点レベルの特徴を学習するための,ポイントクラウドに対する拡張不要な教師なしアプローチを提案する。
我々は,クラスタに対するポイントのアフィリエイトをプロキシとして利用し,擬似ラベル予測タスクを通じて自己学習を可能にする。
論文 参考訳（メタデータ） (2022-10-06T10:18:16Z) - Upsampling Autoencoder for Self-Supervised Point Cloud Learning [11.19408173558718]
人間のアノテーションを使わずに、ポイントクラウド学習のための自己教師付き事前学習モデルを提案する。
アップサンプリング操作は、ポイントクラウドの高レベルセマンティック情報と低レベル幾何情報の両方を捕捉することをネットワークに促す。
我々のUAEは、形状分類、部分分割、点雲アップサンプリングタスクにおいて、従来の最先端手法よりも優れています。
論文 参考訳（メタデータ） (2022-03-21T07:20:37Z) - Guided Point Contrastive Learning for Semi-supervised Point Cloud
Semantic Segmentation [90.2445084743881]
そこで本研究では,モデル性能を向上させるために,未ラベルの点群をトレーニングに採用するための半教師付き点群セマンティックセマンティックセマンティックセマンティクスを提案する。
近年の自己監督型タスクのコントラスト損失に触発されて,特徴表現とモデル一般化能力を高めるためのガイド付きポイントコントラスト損失を提案する。
論文 参考訳（メタデータ） (2021-10-15T16:38:54Z) - Unsupervised Representation Learning for 3D Point Cloud Data [66.92077180228634]
我々は、教師なしのポイントクラウド学習に対して、シンプルで効果的なアプローチを提案する。
特に、原点雲の優れたコントラストバージョンを生成する非常に有用な変換を同定する。
本研究では,3次元オブジェクト分類,形状部分分割,シーン分割の3つの下流タスクについて実験を行った。
論文 参考訳（メタデータ） (2021-10-13T10:52:45Z)
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。