論文の概要: PixelDINO: Semi-Supervised Semantic Segmentation for Detecting
Permafrost Disturbances
- arxiv url: http://arxiv.org/abs/2401.09271v1
- Date: Wed, 17 Jan 2024 15:20:10 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-18 15:22:46.199669
- Title: PixelDINO: Semi-Supervised Semantic Segmentation for Detecting
Permafrost Disturbances
- Title（参考訳）: PixelDino: 永久凍土障害検出のための半監督セマンティックセマンティックセグメンテーション
- Authors: Konrad Heidler, Ingmar Nitze, Guido Grosse, Xiao Xiang Zhu
- Abstract要約: 融解によって引き起こされる地すべりに匹敵する永久凍土障害であるRTS(regressive thaw slumps)の遠隔検出に焦点を当てた。
本稿では,RTS検出のためのセマンティックセグメンテーションモデルを訓練するための半教師付き学習手法を提案する。
当社のフレームワークであるPixelDINOは,ラベル付きデータと非ラベル付きデータとを並行してトレーニングしています。
- 参考スコア（独自算出の注目度）: 15.78884578132055
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Arctic Permafrost is facing significant changes due to global climate change.
As these regions are largely inaccessible, remote sensing plays a crucial rule
in better understanding the underlying processes not just on a local scale, but
across the Arctic. In this study, we focus on the remote detection of
retrogressive thaw slumps (RTS), a permafrost disturbance comparable to
landslides induced by thawing. For such analyses from space, deep learning has
become an indispensable tool, but limited labelled training data remains a
challenge for training accurate models. To improve model generalization across
the Arctic without the need for additional labelled data, we present a
semi-supervised learning approach to train semantic segmentation models to
detect RTS. Our framework called PixelDINO is trained in parallel on labelled
data as well as unlabelled data. For the unlabelled data, the model segments
the imagery into self-taught pseudo-classes and the training procedure ensures
consistency of these pseudo-classes across strong augmentations of the input
data. Our experimental results demonstrate that PixelDINO can improve model
performance both over supervised baseline methods as well as existing
semi-supervised semantic segmentation approaches, highlighting its potential
for training robust models that generalize well to regions that were not
included in the training data. The project page containing code and other
materials for this study can be found at
\url{https://khdlr.github.io/PixelDINO/}.
- Abstract（参考訳）: 北極永久凍土は、気候変動によって著しく変化している。
これらの領域はほとんどアクセスできないため、リモートセンシングは、ローカルスケールだけでなく、北極圏全体の基盤となるプロセスを理解する上で重要なルールとなっている。
本研究では,融解に伴う地すべりに匹敵する永久凍土障害であるrts(retrogressive thaw declines)の遠隔検出に着目した。
宇宙からの分析では、ディープラーニングは必須のツールになっていますが、正確なモデルのトレーニングには限定されたラベル付きトレーニングデータが必要になります。
追加ラベル付きデータを必要としない北極圏におけるモデル一般化を改善するため,RTS検出のためのセマンティックセグメンテーションモデルを訓練するための半教師付き学習手法を提案する。
当社のフレームワークであるpixeldinoはラベル付きデータだけでなくラベル付きデータも並行してトレーニングしています。
ラベルのないデータの場合、モデルは画像を自己学習した擬似クラスに分割し、トレーニング手順は入力データの強力な拡張を通してこれらの擬似クラスの一貫性を保証する。
実験の結果,pixeldinoは,教師ありベースライン法と,既存の半教師ありセマンティクスセグメンテーション法の両方で,モデル性能を向上させることができた。
この研究のためのコードやその他の資料を含むプロジェクトページは、 \url{https://khdlr.github.io/PixelDINO/} にある。
関連論文リスト
- Exploring Beyond Logits: Hierarchical Dynamic Labeling Based on Embeddings for Semi-Supervised Classification [49.09505771145326]
モデル予測に依存しない階層型動的ラベル付け(HDL)アルゴリズムを提案し,画像埋め込みを用いてサンプルラベルを生成する。
本手法は,半教師付き学習における擬似ラベル生成のパラダイムを変える可能性がある。
論文 参考訳（メタデータ） (2024-04-26T06:00:27Z) - Learning Cross-view Visual Geo-localization without Ground Truth [48.51859322439286]
CVGL(Cross-View Geo-Localization)は、クエリ画像の地理的位置を対応するGPSタグ付き参照画像とマッチングすることで決定する。
現在の最先端の手法は、ラベル付きペア画像によるトレーニングモデルに依存しており、かなりのアノテーションコストとトレーニングの負担が伴う。
CVGLにおける凍結モデルの適用について,真理ペアラベルを必要とせずに検討する。
論文 参考訳（メタデータ） (2024-03-19T13:01:57Z) - Group Distributionally Robust Dataset Distillation with Risk
Minimization [18.07189444450016]
本稿では,クラスタリングとリスク尺度の最小化を組み合わせ,DDを遂行する損失を最小化するアルゴリズムを提案する。
数値実験により,その有効一般化と部分群間のロバスト性を示す。
論文 参考訳（メタデータ） (2024-02-07T09:03:04Z) - Learn to Unlearn for Deep Neural Networks: Minimizing Unlearning
Interference with Gradient Projection [56.292071534857946]
最近のデータプライバシ法は、機械学習への関心を喚起している。
課題は、残りのデータセットに関する知識を変更することなく、忘れたデータに関する情報を捨てることである。
我々は、プロジェクテッド・グラディエント・アンラーニング(PGU)という、プロジェクテッド・グラディエント・ベースの学習手法を採用する。
トレーニングデータセットがもはやアクセスできない場合でも、スクラッチからスクラッチで再トレーニングされたモデルと同じような振る舞いをするモデルを、我々のアンラーニング手法が生成できることを実証するための実証的な証拠を提供する。
論文 参考訳（メタデータ） (2023-12-07T07:17:24Z) - Robust Source-Free Domain Adaptation for Fundus Image Segmentation [3.585032903685044]
Unlabelled Domain Adaptation (UDA)は、ラベル付きデータから学習した知識を、未ラベルデータのみを使用してターゲットドメインに転送する学習技術である。
本研究では,ロバストドメイン適応のための2段階トレーニングステージを提案する。
本稿では,ラベルのないターゲットデータを有効利用して擬似ラベルと擬似境界を生成する,ロバストな擬似ラベルと擬似境界(PLPB)手法を提案する。
論文 参考訳（メタデータ） (2023-10-25T14:25:18Z) - Uncertainty-Aware Semi-Supervised Learning for Prostate MRI Zonal
Segmentation [0.9176056742068814]
比較的少数のアノテーションしか必要としない新しい半教師付き学習(SSL)手法を提案する。
提案手法は,近年の深層学習の不確実性推定モデルを用いた擬似ラベル手法を用いる。
提案モデルは,ProstateXデータセットと外部テストセットを用いた実験において,半教師付きモデルよりも優れていた。
論文 参考訳（メタデータ） (2023-05-10T08:50:04Z) - Few-Shot Non-Parametric Learning with Deep Latent Variable Model [50.746273235463754]
遅延変数を用いた圧縮による非パラメトリック学習(NPC-LV)を提案する。
NPC-LVは、ラベルなしデータが多いがラベル付きデータはほとんどないデータセットの学習フレームワークである。
我々は,NPC-LVが低データ構造における画像分類における3つのデータセットの教師あり手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-06-23T09:35:03Z) - Semi-supervised Deep Learning for Image Classification with Distribution
Mismatch: A Survey [1.5469452301122175]
ディープラーニングモデルは、予測モデルをトレーニングするためにラベル付き観測の豊富な部分に依存します。
ラベル付きデータ観測を収集することは高価であり、ディープラーニングモデルの使用は理想的ではない。
多くの状況では、異なる非競合データソースが利用可能である。
これにより、ラベル付きデータセットと非ラベル付きデータセットの間にかなりの分散ミスマッチが発生するリスクが生じる。
論文 参考訳（メタデータ） (2022-03-01T02:46:00Z) - Graph Embedding with Data Uncertainty [113.39838145450007]
スペクトルベースのサブスペース学習は、多くの機械学習パイプラインにおいて、一般的なデータ前処理ステップである。
ほとんどの部分空間学習法は、不確実性の高いデータにつながる可能性のある測定の不正確さやアーティファクトを考慮していない。
論文 参考訳（メタデータ） (2020-09-01T15:08:23Z) - Deep Semi-supervised Knowledge Distillation for Overlapping Cervical
Cell Instance Segmentation [54.49894381464853]
本稿では, ラベル付きデータとラベルなしデータの両方を, 知識蒸留による精度向上に活用することを提案する。
摂動に敏感なサンプルマイニングを用いたマスク誘導型平均教師フレームワークを提案する。
実験の結果,ラベル付きデータのみから学習した教師付き手法と比較して,提案手法は性能を著しく向上することがわかった。
論文 参考訳（メタデータ） (2020-07-21T13:27:09Z)
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。