論文の概要: Spatial Knowledge-Infused Hierarchical Learning: An Application in Flood
Mapping on Earth Imagery
- arxiv url: http://arxiv.org/abs/2312.07767v1
- Date: Tue, 12 Dec 2023 22:23:04 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-14 17:23:57.467148
- Title: Spatial Knowledge-Infused Hierarchical Learning: An Application in Flood
Mapping on Earth Imagery
- Title（参考訳）: 空間知識を取り入れた階層学習--地球画像の洪水マッピングへの応用
- Authors: Zelin Xu, Tingsong Xiao, Wenchong He, Yu Wang, Zhe Jiang
- Abstract要約: 地球画像の深層学習は、農業、生態学、自然災害管理といった地球科学の応用において、ますます重要な役割を担っている。
トレーニングラベルが限定された地球画像、ベースディープニューラルネットワークモデル、ラベル制約のある空間知識ベースを考えると、ニューラルネットワークをトレーニングしながらラベル全体を推測することが問題となる。
本フレームワークは,空間的不確実性に基づいて異なる解像度のラベルを選択的に推測するモジュールと,不確実性を考慮したマルチインスタンス学習を用いてニューラルネットワークパラメータをトレーニングするモジュールから構成される。
- 参考スコア（独自算出の注目度）: 8.726177279357493
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning for Earth imagery plays an increasingly important role in
geoscience applications such as agriculture, ecology, and natural disaster
management. Still, progress is often hindered by the limited training labels.
Given Earth imagery with limited training labels, a base deep neural network
model, and a spatial knowledge base with label constraints, our problem is to
infer the full labels while training the neural network. The problem is
challenging due to the sparse and noisy input labels, spatial uncertainty
within the label inference process, and high computational costs associated
with a large number of sample locations. Existing works on neuro-symbolic
models focus on integrating symbolic logic into neural networks (e.g., loss
function, model architecture, and training label augmentation), but these
methods do not fully address the challenges of spatial data (e.g., spatial
uncertainty, the trade-off between spatial granularity and computational
costs). To bridge this gap, we propose a novel Spatial Knowledge-Infused
Hierarchical Learning (SKI-HL) framework that iteratively infers sample labels
within a multi-resolution hierarchy. Our framework consists of a module to
selectively infer labels in different resolutions based on spatial uncertainty
and a module to train neural network parameters with uncertainty-aware
multi-instance learning. Extensive experiments on real-world flood mapping
datasets show that the proposed model outperforms several baseline methods. The
code is available at \url{https://github.com/ZelinXu2000/SKI-HL}.
- Abstract（参考訳）: 地球画像の深層学習は、農業、生態学、自然災害管理といった地球科学の応用においてますます重要な役割を担っている。
それでも、プログレッシブはしばしば限定的なトレーニングラベルによって妨げられる。
限られたトレーニングラベルを持つ地球画像,ベースディープニューラルネットワークモデル,ラベル制約のある空間知識ベースを考えると,本課題は,ニューラルネットワークをトレーニングしながら,完全なラベルを推測することである。
この問題は、スパースでノイズの多い入力ラベル、ラベル推論プロセス内の空間的不確実性、そして多数のサンプル位置に関連する高い計算コストによって困難である。
ニューロシンボリックモデルに関する既存の研究は、ニューラルネットワークへのシンボリックロジックの統合(損失関数、モデルアーキテクチャ、トレーニングラベル拡張など)に焦点を当てているが、これらの手法は空間データ(空間的不確実性、空間的粒度と計算コストのトレードオフなど)の課題を完全には解決していない。
このギャップを埋めるために,多段階階層内のサンプルラベルを反復的に推論する空間知識融合階層学習(SKI-HL)フレームワークを提案する。
提案手法は,空間的不確実性に基づく異なる解像度のラベルを選択的に推定するモジュールと,不確実性を考慮したマルチインスタンス学習を用いたニューラルネットワークパラメータを訓練するモジュールから構成される。
実世界のフラッドマッピングデータセットに関する広範囲な実験により、提案手法が複数のベースライン法を上回ることが示された。
コードは \url{https://github.com/zelinxu2000/ski-hl} で入手できる。
関連論文リスト
- The Role of Foundation Models in Neuro-Symbolic Learning and Reasoning [54.56905063752427]
Neuro-Symbolic AI(NeSy)は、AIシステムの安全なデプロイを保証することを約束している。
ニューラルネットワークとシンボリックコンポーネントを順次トレーニングする既存のパイプラインは、広範なラベリングを必要とする。
新しいアーキテクチャであるNeSyGPTは、生データから象徴的特徴を抽出する視覚言語基盤モデルを微調整する。
論文 参考訳（メタデータ） (2024-02-02T20:33:14Z) - Noise Contrastive Estimation-based Matching Framework for Low-Resource
Security Attack Pattern Recognition [49.536368818512116]
TTP(Tactics, Techniques and Procedures)は、サイバーセキュリティドメインにおける高度な攻撃パターンを表す。
そこで本研究では,TTPラベルへのテキストの割り当てが,両者の直接的な意味的類似性によって決定される,異なる学習パラダイムの問題を定式化する。
本稿では,効果的なサンプリングベース学習機構を備えたニューラルマッチングアーキテクチャを提案する。
論文 参考訳（メタデータ） (2024-01-18T19:02:00Z) - Generalized Label-Efficient 3D Scene Parsing via Hierarchical Feature
Aligned Pre-Training and Region-Aware Fine-tuning [55.517000360348725]
本研究は,ラベル付きシーンが極めて限定された場合の3次元シーン理解のためのフレームワークを提案する。
事前学習された視覚言語モデルから新しいカテゴリーの知識を抽出するために,階層的特徴整合型事前学習と知識蒸留戦略を提案する。
室内と屋外の両方で実験を行ったところ、データ効率のよい学習とオープンワールドの複数ショット学習の両方において、我々のアプローチの有効性が示された。
論文 参考訳（メタデータ） (2023-12-01T15:47:04Z) - DepWiGNN: A Depth-wise Graph Neural Network for Multi-hop Spatial
Reasoning in Text [52.699307699505646]
マルチホップ空間推論のためのDepWiGNN(Depth-Wise Graph Neural Network)を提案する。
具体的には,新しいノードメモリ方式を設計し,グラフの幅次元ではなく深さ次元の情報を集約する。
2つの挑戦的なマルチホップ空間推論データセットの実験結果から,DepWiGNNが既存の空間推論手法より優れていることが示された。
論文 参考訳（メタデータ） (2023-10-19T08:07:22Z) - A Law of Data Separation in Deep Learning [41.58856318262069]
ニューラルネットワークが中間層でどのようにデータを処理しているかという根本的な問題について検討する。
私たちの発見は、ディープニューラルネットワークがクラスメンバーシップに従ってどのようにデータを分離するかを規定する、シンプルで定量的な法則です。
論文 参考訳（メタデータ） (2022-10-31T02:25:38Z) - Spatial-context-aware deep neural network for multi-class image
classification [12.961070515143161]
意味情報と空間情報の両方を考慮したラベル予測のために,空間コンテキストを考慮した深層ニューラルネットワークを提案する。
このフレームワークはMicrosoft COCOとPASCAL VOCで評価され、画像のマルチラベリングに広く使われているベンチマークデータセットである。
論文 参考訳（メタデータ） (2021-11-24T06:36:10Z) - Joining datasets via data augmentation in the label space for neural
networks [6.036150783745836]
ラベル空間におけるデータセットの結合を成功させるために,人工的に作成した知識グラフ,繰り返しニューラルネットワーク,ポリシー勾配を活用する新しい手法を提案する。
画像とテキストの分類における実験結果は,我々のアプローチの有効性を正当化するものである。
論文 参考訳（メタデータ） (2021-06-17T06:08:11Z) - Knowledge-Guided Multi-Label Few-Shot Learning for General Image
Recognition [75.44233392355711]
KGGRフレームワークは、ディープニューラルネットワークと統計ラベル相関の事前知識を利用する。
まず、統計ラベルの共起に基づいて異なるラベルを相関させる構造化知識グラフを構築する。
次に、ラベルセマンティクスを導入し、学習セマンティクス固有の特徴をガイドする。
グラフノードの相互作用を探索するためにグラフ伝搬ネットワークを利用する。
論文 参考訳（メタデータ） (2020-09-20T15:05:29Z) - Auxiliary-task learning for geographic data with autoregressive
embeddings [1.4823143667165382]
本研究では,空間データの自己回帰性に関する情報を学習プロセスに直接埋め込む手法であるSXLを提案する。
局所空間自己相関の一般的な尺度である局所モランIを用いて、局所空間効果の方向と大きさを学習する。
我々は,教師なしおよび教師なしの学習タスクにおいて,ニューラルネットワークのトレーニングを継続的に改善する方法について強調する。
論文 参考訳（メタデータ） (2020-06-18T12:16:08Z) - Multi-Subspace Neural Network for Image Recognition [33.61205842747625]
画像分類タスクでは, 特徴抽出は常に大きな問題であり, クラス内変動により抽出器の設計が困難になる。
近年、ディープラーニングはデータから機能を自動的に学習することに多くの注意を払っている。
本研究では,畳み込みニューラルネットワーク(CNN)のキーコンポーネントをサブスペースの概念と組み合わせたマルチサブスペースニューラルネットワーク(MSNN)を提案する。
論文 参考訳（メタデータ） (2020-06-17T02:55:34Z) - Belief Propagation Reloaded: Learning BP-Layers for Labeling Problems [83.98774574197613]
最も単純な推論手法の1つとして、切り詰められた最大積のBelief伝播を取り上げ、それをディープラーニングモデルの適切なコンポーネントにするために必要となるものを加えます。
このBP-Layerは畳み込みニューラルネットワーク(CNN)の最終ブロックまたは中間ブロックとして使用できる
このモデルは様々な密集予測問題に適用可能であり、パラメータ効率が高く、ステレオ、光フロー、セマンティックセグメンテーションにおける堅牢な解を提供する。
論文 参考訳（メタデータ） (2020-03-13T13:11:35Z)
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。