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
- Soft Random Sampling: A Theoretical and Empirical Analysis [59.719035355483875]
ソフトランダムサンプリング(SRS)は、大量のデータを扱う際に、効率的なディープニューラルネットワークに対して単純だが効果的なアプローチである。
それは、各エポックに設定された各データセットから、ランダムに置換された均一な速度を選択する。
実世界の産業規模で重要な競争力を持つ、強力で競争力のある戦略であることが示されている。
論文 参考訳(メタデータ) (2023-11-21T17:03:21Z) - RLSAC: Reinforcement Learning enhanced Sample Consensus for End-to-End
Robust Estimation [74.47709320443998]
RLSAC(Reinforcement Learning enhanced SAmple Consensus framework for end-to-end robust estimation)を提案する。
RLSACはグラフニューラルネットワークを用いて、データとメモリの特徴の両方を利用して探索方向を案内し、次の最小セットをサンプリングする。
実験の結果, RLSACは特徴から学習し, より優れた仮説を徐々に探求できることがわかった。
論文 参考訳(メタデータ) (2023-08-10T03:14:19Z) - 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) - Event Tables for Efficient Experience Replay [31.678826875509348]
経験リプレイ(ER)は多くの深層強化学習(RL)システムにおいて重要な要素である。
ERバッファからの一様サンプリングは、収束が遅く不安定な振る舞いを引き起こす可能性がある。
本稿では,ERバッファをイベントテーブルに分割するStratified Smpling from Event Tables (SSET)を紹介する。
論文 参考訳(メタデータ) (2022-11-01T16:38:23Z) - 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) - 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) - Batch Coherence-Driven Network for Part-aware Person Re-Identification [79.33809815035127]
既存のパートアウェアの人物再識別方法は、通常、ボディ部分の検出と部分レベルの特徴抽出という2つのステップを使用する。
トレーニングフェーズとテストフェーズの両方で身体の一部をバイパスし,セマンティックに整合した機能を実現するNetworkBCDNetを提案する。
論文 参考訳(メタデータ) (2020-09-21T09:04:13Z) - 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。