論文の概要: DiverseNet: Decision Diversified Semi-supervised Semantic Segmentation
Networks for Remote Sensing Imagery
- arxiv url: http://arxiv.org/abs/2311.13716v1
- Date: Wed, 22 Nov 2023 22:20:10 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-28 01:10:14.086633
- Title: DiverseNet: Decision Diversified Semi-supervised Semantic Segmentation
Networks for Remote Sensing Imagery
- Title(参考訳): DiverseNet:リモートセンシングのための分割半教師付きセマンティックセマンティックセマンティックネットワーク
- Authors: Wanli Ma, Oktay Karakus, Paul L. Rosin
- Abstract要約: トレーニング中の精度と多様性を同時に促進し,マルチヘッド・マルチモデル半教師付き学習アルゴリズムを探索するDiverseNetを提案する。
DiverseNetの2つの手法、すなわちDiverseHeadとDiverseModelは、広く利用されている4つのリモートセンシング画像データセットにおいて、セマンティックセマンティックセグメンテーションのパフォーマンスが最も高い。
- 参考スコア(独自算出の注目度): 19.882572508794915
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Semi-supervised learning is designed to help reduce the cost of the manual
labelling process by exploiting the use of useful features from a large
quantity of unlabelled data during training. Since pixel-level manual labelling
in large-scale remote sensing imagery is expensive, semi-supervised learning
becomes an appropriate solution to this. However, most of the existing
semi-supervised learning methods still lack efficient perturbation methods to
promote diversity of features and the precision of pseudo labels during
training. In order to fill this gap, we propose DiverseNet architectures which
explore multi-head and multi-model semi-supervised learning algorithms by
simultaneously promoting precision and diversity during training. The two
proposed methods of DiverseNet, namely the DiverseHead and DiverseModel,
achieve the highest semantic segmentation performance in four widely utilised
remote sensing imagery data sets compared to state-of-the-art semi-supervised
learning methods. Meanwhile, the proposed DiverseHead architecture is
relatively lightweight in terms of parameter space compared to the
state-of-the-art methods whilst reaching high-performance results for all the
tested data sets.
- Abstract(参考訳): 半教師付き学習は、トレーニング中に大量の未学習データから有用な特徴を活用することで、手動ラベリングプロセスのコスト削減を支援するように設計されている。
大規模リモートセンシング画像における画素レベルの手動ラベリングは高価であるため、半教師付き学習が適切な解決策となる。
しかし,既存の半教師あり学習手法の多くは,学習中の特徴の多様性と擬似ラベルの精度を高めるための効率的な摂動法を欠いている。
このギャップを埋めるために、トレーニング中の精度と多様性を同時に促進し、マルチヘッドおよびマルチモデル半教師付き学習アルゴリズムを探索するDiverseNetアーキテクチャを提案する。
multiplehead と diversemodel の2つの手法は、最先端の半教師付き学習法と比較して、4つの広く活用されたリモートセンシング画像データセットにおいて、最も高い意味セグメンテーション性能を達成している。
一方、提案されたdiversativeheadアーキテクチャは、テストされたすべてのデータセットの高性能な結果に到達しながら、最先端のメソッドと比較してパラメータ空間の観点からは比較的軽量である。
関連論文リスト
- Rethinking Transformers Pre-training for Multi-Spectral Satellite
Imagery [78.43828998065071]
教師なし学習の最近の進歩は、下流タスクにおける有望な結果を達成するための大きな視覚モデルの可能性を示している。
このような事前学習技術は、大量の未学習データが利用可能であることから、リモートセンシング領域でも最近研究されている。
本稿では,マルチモーダルで効果的に活用されるマルチスケール情報の事前学習と活用について述べる。
論文 参考訳(メタデータ) (2024-03-08T16:18:04Z) - GenCo: An Auxiliary Generator from Contrastive Learning for Enhanced
Few-Shot Learning in Remote Sensing [9.504503675097137]
我々は、バックボーンを事前訓練し、同時に特徴サンプルの変種を探索するジェネレータベースのコントラスト学習フレームワーク(GenCo)を導入する。
微調整では、補助ジェネレータを使用して、特徴空間内の限られたラベル付きデータサンプルを濃縮することができる。
本稿では,2つの重要なリモートセンシングデータセットにおいて,この手法の有効性を実証する。
論文 参考訳(メタデータ) (2023-07-27T03:59:19Z) - Two Approaches to Supervised Image Segmentation [55.616364225463066]
本研究は、深層学習とマルチセットニューロンのアプローチの比較実験を開発する。
ディープラーニングアプローチは、画像セグメンテーションの実行の可能性を確認した。
代替のマルチセット手法では、計算資源をほとんど必要とせずに精度を向上することができた。
論文 参考訳(メタデータ) (2023-07-19T16:42:52Z) - Domain Generalization for Mammographic Image Analysis with Contrastive
Learning [62.25104935889111]
効果的なディープラーニングモデルのトレーニングには、さまざまなスタイルと品質を備えた大規模なデータが必要である。
より優れたスタイルの一般化能力を備えた深層学習モデルを実現するために,新しいコントラスト学習法が開発された。
提案手法は,様々なベンダスタイルドメインのマンモグラムや,いくつかのパブリックデータセットを用いて,広範囲かつ厳密に評価されている。
論文 参考訳(メタデータ) (2023-04-20T11:40:21Z) - Training Methods of Multi-label Prediction Classifiers for Hyperspectral
Remote Sensing Images [0.0]
ハイパースペクトルリモートセンシング画像に対するマルチラベル・パッチレベルの分類法を提案する。
リモートセンシング画像から抽出した空間次元を縮小したパッチと全スペクトル深度を用いた。
論文 参考訳(メタデータ) (2023-01-17T13:30:03Z) - Evaluating the Label Efficiency of Contrastive Self-Supervised Learning
for Multi-Resolution Satellite Imagery [0.0]
遠隔センシング領域における自己教師付き学習は、容易に利用可能なラベル付きデータを活用するために応用されている。
本稿では,ラベル効率のレンズを用いた自己教師型視覚表現学習について検討する。
論文 参考訳(メタデータ) (2022-10-13T06:54:13Z) - Clustering augmented Self-Supervised Learning: Anapplication to Land
Cover Mapping [10.720852987343896]
本稿では,自己教師型学習のためのクラスタリングに基づくプレテキストタスクを用いて,土地被覆マッピングの新しい手法を提案する。
社会的に関係のある2つのアプリケーションに対して,本手法の有効性を示す。
論文 参考訳(メタデータ) (2021-08-16T19:35:43Z) - Towards Interpretable Deep Metric Learning with Structural Matching [86.16700459215383]
より透過的な埋め込み学習のための深層解釈可能なメトリック学習(DIML)法を提案する。
本手法は,既製のバックボーンネットワークやメトリック学習手法に適用可能な,モデルに依存しない手法である。
我々は,CUB200-2011,Cars196,Stanford Online Productsの3つの大規模メトリクス学習ベンチマークで評価を行った。
論文 参考訳(メタデータ) (2021-08-12T17:59:09Z) - Learning Discriminative Representations for Multi-Label Image
Recognition [13.13795708478267]
マルチラベルタスクにおける識別的特徴を学習するための統合深層ネットワークを提案する。
ネットワーク全体を正規化することで、よく知られたResNet-101の適用性能が大幅に向上する。
論文 参考訳(メタデータ) (2021-07-23T12:10:46Z) - Seasonal Contrast: Unsupervised Pre-Training from Uncurated Remote
Sensing Data [64.40187171234838]
季節的コントラスト(SeCo)は、リモートセンシング表現のドメイン内事前トレーニングにラベルのないデータを活用するための効果的なパイプラインである。
SeCoは、転送学習を容易にし、再リモートセンシングアプリケーションの急速な進歩を可能にするために公開されます。
論文 参考訳(メタデータ) (2021-03-30T18:26:39Z) - Learning Neural Network Subspaces [74.44457651546728]
近年の観測は,ニューラルネットワーク最適化の展望の理解を深めている。
1つのモデルのトレーニングと同じ計算コストで、高精度ニューラルネットワークの線、曲線、単純軸を学習します。
1つのモデルのトレーニングと同じ計算コストで、高精度ニューラルネットワークの線、曲線、単純軸を学習します。
論文 参考訳(メタデータ) (2021-02-20T23:26:58Z)
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。