論文の概要: BSS-Bench: Towards Reproducible and Effective Band Selection Search
- arxiv url: http://arxiv.org/abs/2312.14570v1
- Date: Fri, 22 Dec 2023 10:00:32 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-25 15:29:31.428114
- Title: BSS-Bench: Towards Reproducible and Effective Band Selection Search
- Title（参考訳）: BSS-Bench: 再現性と効果的なバンド選択検索を目指して
- Authors: Wenshuai Xu, Zhenbo Xu
- Abstract要約: 本稿では,様々な超スペクトル解析タスクのためのBSS-Benchの最初のバンド選択探索ベンチマークを提案する。
BSS-Benchの開発には1.26kのGPU日を要した。
BSS-Benchに加えて,単発単発単発単発単発単発単発単発単発単発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一
- 参考スコア（独自算出の注目度）: 8.712706386559171
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The key technology to overcome the drawbacks of hyperspectral imaging
(expensive, high capture delay, and low spatial resolution) and make it widely
applicable is to select only a few representative bands from hundreds of bands.
However, current band selection (BS) methods face challenges in fair
comparisons due to inconsistent train/validation settings, including the number
of bands, dataset splits, and retraining settings. To make BS methods easy and
reproducible, this paper presents the first band selection search benchmark
(BSS-Bench) containing 52k training and evaluation records of numerous band
combinations (BC) with different backbones for various hyperspectral analysis
tasks. The creation of BSS-Bench required a significant computational effort of
1.26k GPU days. By querying BSS-Bench, BS experiments can be performed easily
and reproducibly, and the gap between the searched result and the best
achievable performance can be measured. Based on BSS-Bench, we further discuss
the impact of various factors on BS, such as the number of bands, unsupervised
statistics, and different backbones. In addition to BSS-Bench, we present an
effective one-shot BS method called Single Combination One Shot (SCOS), which
learns the priority of any BCs through one-time training, eliminating the need
for repetitive retraining on different BCs. Furthermore, the search process of
SCOS is flexible and does not require training, making it efficient and
effective. Our extensive evaluations demonstrate that SCOS outperforms current
BS methods on multiple tasks, even with much fewer bands. Our BSS-Bench and
codes are available in the supplementary material and will be publicly
available.
- Abstract（参考訳）: ハイパースペクトルイメージングの欠点(拡張性、高キャプチャ遅延、低空間分解能)を克服し、数百のバンドから少数の代表バンドのみを選択することが、広く適用できるようにする鍵となる技術である。
しかしながら、現在のバンド選択(BS)手法は、バンド数、データセット分割、再トレーニング設定など、一貫性のないトレイン/バリデーション設定のため、公正な比較において課題に直面している。
本稿では,BS法を簡易かつ再現可能なものにするために,52kのトレーニングを含むBSS-Benchベンチマーク(BSS-Bench)を提案する。
BSS-Benchの開発には1.26kのGPU日を要した。
bss-benchをクエリすることで、bs実験を簡単かつ再現可能とし、検索結果と最良性能とのギャップを測定することができる。
BSS-Benchに基づいて、帯域数、教師なし統計、異なるバックボーンなど、BSに対する様々な要因の影響をさらに議論する。
bss-bench に加えて single combination one shot (scos) と呼ばれる有効な単発bs法を提案する。
さらに、SCOSの探索プロセスは柔軟であり、訓練を必要とせず、効率的かつ効果的である。
SCOSは、帯域がはるかに少ない場合でも、複数のタスクにおいて現在のBS法よりも優れていることを示す。
私たちのBSS-Benchとコードは補足資料で利用可能で、公開されます。
関連論文リスト
- Fast T2T: Optimization Consistency Speeds Up Diffusion-Based Training-to-Testing Solving for Combinatorial Optimization [83.65278205301576]
雑音レベルから与えられたインスタンスの最適解への直接写像を学習し、最小限のショットで高品質な生成を容易にすることを提案する。
これは、サンプル間の差を最小限に抑える最適化一貫性トレーニングプロトコルによって達成される。
The Traveling Salesman Problem (TSP) と Maximal Independent Set (MIS) は、ソリューションの品質と効率の両方に関して、Fast T2Tの優位性を実証している。
論文 参考訳（メタデータ） (2025-02-05T07:13:43Z) - Offline Learning for Combinatorial Multi-armed Bandits [56.96242764723241]
Off-CMABはCMABの最初のオフライン学習フレームワークである。
Off-CMABは悲観的な報酬推定と解法を組み合わせる。
合成および実世界のデータセットの実験は、CLCBの優れた性能を強調している。
論文 参考訳（メタデータ） (2025-01-31T16:56:18Z) - Batch-in-Batch: a new adversarial training framework for initial perturbation and sample selection [9.241737058291823]
適応学習法は, 単純な一様分布から, 対向サンプルに対する独立な初期摂動を生成する。
モデルを強化するため,Batch-in-Batchと呼ばれるシンプルで効果的なトレーニングフレームワークを提案する。
BBフレームワーク内でトレーニングされたモデルは、様々な対角的設定において、常に高い対角的精度を有することを示す。
論文 参考訳（メタデータ） (2024-06-06T13:34:43Z) - End-to-end Hyperspectral Image Change Detection Network Based on Band
Selection [22.7908026248101]
帯域選択(ECDBS)を用いた終端から終端までのハイパースペクトル画像変化検出ネットワークを提案する。
ネットワークの主な構成要素は、深層学習に基づくバンド選択モジュールと、カスケードバンド固有の空間的注意ブロックである。
3つの広く利用されているHSI-CDデータセットを用いて実験を行い,提案手法の有効性と優位性を示した。
論文 参考訳（メタデータ） (2023-07-23T13:50:41Z) - One-shot neural band selection for spectral recovery [15.565913045545066]
スペクトル回復のための新しいワンショットニューラルバンド選択(NBS)フレームワークを提案する。
我々のNBSは、帯域選択過程の連続的な緩和に基づいており、勾配勾配を用いた効率的な帯域探索を可能にする。
私たちのコードは公開されます。
論文 参考訳（メタデータ） (2023-05-16T07:34:03Z) - Query-Efficient Adversarial Attack Based on Latin Hypercube Sampling [6.141497251925968]
本稿では,ラテンハイパーキューブサンプリングに基づく境界攻撃(LHS-BA)を提案する。
提案手法は, クエリ効率の観点から, 最先端のBA法よりもLHS-BAの方が優れていることを示す実験結果を得た。
論文 参考訳（メタデータ） (2022-07-05T12:04:44Z) - Batch Active Learning at Scale [39.26441165274027]
バッチクエリをラベル付けオラクルに適応的に発行するバッチアクティブラーニングは、この問題に対処するための一般的なアプローチである。
本研究では,大規模なバッチ設定に着目した効率的な能動学習アルゴリズムを解析する。
本研究では,不確実性と多様性の概念を組み合わせたサンプリング手法について,従来より数桁大きなバッチサイズ(100K-1M)に容易にスケール可能であることを示す。
論文 参考訳（メタデータ） (2021-07-29T18:14:05Z) - Rethinking Sampling Strategies for Unsupervised Person Re-identification [59.47536050785886]
我々は,同じフレームワーク下での各種サンプリング戦略と損失関数のパフォーマンス差の理由を解析した。
グループサンプリングを提案し、同じクラスのサンプルをグループに集める。
Market-1501、DukeMTMC-reID、MSMT17の実験は、グループサンプリングが最先端の手法に匹敵する性能を達成することを示した。
論文 参考訳（メタデータ） (2021-07-07T05:39:58Z) - Attentional-Biased Stochastic Gradient Descent [74.49926199036481]
深層学習におけるデータ不均衡やラベルノイズ問題に対処するための証明可能な手法(ABSGD)を提案する。
本手法は運動量SGDの簡易な修正であり,各試料に個別の重み付けを行う。
ABSGDは追加コストなしで他の堅牢な損失と組み合わせられるほど柔軟である。
論文 参考訳（メタデータ） (2020-12-13T03:41:52Z) - Multi-Scale Positive Sample Refinement for Few-Shot Object Detection [61.60255654558682]
Few-shot Object Detection (FSOD) は、ディテクターがトレーニングインスタンスをほとんど持たない未確認のクラスに適応するのに役立つ。
FSODにおけるオブジェクトスケールを拡張化するためのMPSR(Multi-scale Positive Sample Refinement)アプローチを提案する。
MPSRは、オブジェクトピラミッドとして多スケールの正のサンプルを生成し、様々なスケールで予測を洗練させる。
論文 参考訳（メタデータ） (2020-07-18T09:48:29Z) - SUNRISE: A Simple Unified Framework for Ensemble Learning in Deep
Reinforcement Learning [102.78958681141577]
SUNRISEは単純な統一アンサンブル法であり、様々な非政治的な深層強化学習アルゴリズムと互換性がある。
SUNRISEは, (a) アンサンブルに基づく重み付きベルマンバックアップと, (b) 最上位の自信境界を用いて行動を選択する推論手法を統合し, 効率的な探索を行う。
論文 参考訳（メタデータ） (2020-07-09T17:08:44Z)
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。