論文の概要: Multiple Random Masking Autoencoder Ensembles for Robust Multimodal
Semi-supervised Learning
- arxiv url: http://arxiv.org/abs/2402.08035v1
- Date: Mon, 12 Feb 2024 20:08:58 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-14 17:43:29.476030
- Title: Multiple Random Masking Autoencoder Ensembles for Robust Multimodal
Semi-supervised Learning
- Title(参考訳): ロバストなマルチモーダルセミ教師付き学習のためのマルチランダムマスキングオートエンコーダアンサンブル
- Authors: Alexandru-Raul Todoran, Marius Leordeanu
- Abstract要約: コンピュータビジョンや機械学習には、現実の問題が増えている。
衛星データから地球観測を行う場合、一つの観測層を予測できることが重要である。
- 参考スコア(独自算出の注目度): 64.81450582542878
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: There is an increasing number of real-world problems in computer vision and
machine learning requiring to take into consideration multiple interpretation
layers (modalities or views) of the world and learn how they relate to each
other. For example, in the case of Earth Observations from satellite data, it
is important to be able to predict one observation layer (e.g. vegetation
index) from other layers (e.g. water vapor, snow cover, temperature etc), in
order to best understand how the Earth System functions and also be able to
reliably predict information for one layer when the data is missing (e.g. due
to measurement failure or error).
- Abstract(参考訳): コンピュータビジョンや機械学習では、世界の複数の解釈層(モダリティやビュー)を考慮し、それらが相互にどう関係しているかを学ぶ必要がある現実世界の問題が増えている。
例えば、衛星データから地球観測を行う場合、地球システムがどのように機能するかを最もよく理解するためには、他の層(例えば、水蒸気、積雪、温度など)から1つの観測層(例えば、植生指数)を予測することができ、また、データが欠落している場合(例えば、測定失敗やエラー)に、確実に1つの層の情報を予測できることが重要である。
関連論文リスト
- Investigating the Capabilities of Deep Learning for Processing and Interpreting One-Shot Multi-offset GPR Data: A Numerical Case Study for Lunar and Martian Environments [9.150932930653921]
地中レーダー(GPR)は、過去10年間に惑星科学で人気を博してきた、成熟した物理手法である。
GPRはルナーと火星のミッションの両方に使われ、地球外惑星の表面地質に関する重要な情報を提供している。
本稿では,GPRデータの解釈・処理におけるディープラーニングの可能性について検討する。
論文 参考訳(メタデータ) (2024-10-18T11:38:29Z) - Global atmospheric data assimilation with multi-modal masked autoencoders [20.776143147372427]
EarthNetはデータ同化のためのマルチモーダル基礎モデルである。
衛星観測のみから、地球規模のギャップに満ちた大気状態を予測することを学ぶ。
大気の3次元温度と湿度の地球規模の0.16度の再分析データセットを生成する。
論文 参考訳(メタデータ) (2024-07-16T13:15:51Z) - URLOST: Unsupervised Representation Learning without Stationarity or
Topology [26.17135629579595]
定常性やトポロジに欠ける高次元データから学習する新しいフレームワークを提案する。
我々のモデルは学習可能な自己組織化層、密度調整されたスペクトルクラスタリング、マスク付きオートエンコーダを組み合わせる。
本研究は,生体視覚データ,一次視覚野からの神経記録,遺伝子発現データセットにおいて有効性を評価する。
論文 参考訳(メタデータ) (2023-10-06T18:00:02Z) - Multi-Task Hypergraphs for Semi-supervised Learning using Earth
Observations [51.344339837501835]
本稿では,各ノードがタスクであり,与えられたタスクに到達したハイパーグラフが教師なしの教師になるような,強力なマルチタスクハイパーグラフを提案する。
我々のモデルは、地球観測の最も重要な問題の一つに応用され、それは非常に多タスクであり、しばしば地上データ不足に悩まされる。
ハイパーグラフは、そのマルチタスク・セルフ・スーパービジョン・プロセスを通じて、段階的なデータ分散シフトに教師なしで適応し、確実に回復可能であることを示す。
論文 参考訳(メタデータ) (2023-08-21T20:22:51Z) - Semi-Supervised Domain Adaptation for Cross-Survey Galaxy Morphology
Classification and Anomaly Detection [57.85347204640585]
We developed a Universal Domain Adaptation method DeepAstroUDA。
異なるタイプのクラスオーバーラップしたデータセットに適用することができる。
初めて、我々は2つの非常に異なる観測データセットに対するドメイン適応の有効利用を実演した。
論文 参考訳(メタデータ) (2022-11-01T18:07:21Z) - AutoGeoLabel: Automated Label Generation for Geospatial Machine Learning [69.47585818994959]
リモートセンシングデータのためのラベルの自動生成のためのビッグデータ処理パイプラインを評価する。
我々は,大規模データプラットフォームであるIBM PAIRSを用いて,密集都市部でそのようなラベルを動的に生成する。
論文 参考訳(メタデータ) (2022-01-31T20:02:22Z) - Deep Learning Through the Lens of Example Difficulty [21.522182447513632]
本稿では,与えられた入力の予測を行う際の計算困難度,すなわち(有効)予測深さを測る尺度を提案する。
我々の研究は、与えられた入力の予測深さとモデルの不確実性、信頼性、正確性、そしてそのデータポイントの学習速度との間の驚くほど単純な関係を明らかにする。
論文 参考訳(メタデータ) (2021-06-17T16:48:12Z) - Campus3D: A Photogrammetry Point Cloud Benchmark for Hierarchical
Understanding of Outdoor Scene [76.4183572058063]
複数の屋外シーン理解タスクに対して,リッチな注釈付き3Dポイントクラウドデータセットを提案する。
データセットは階層型ラベルとインスタンスベースのラベルの両方でポイントワイズアノテートされている。
本稿では,3次元点雲分割のための階層的学習問題を定式化し,様々な階層間の整合性を評価することを提案する。
論文 参考訳(メタデータ) (2020-08-11T19:10:32Z) - Laplacian Denoising Autoencoder [114.21219514831343]
本稿では,新しいタイプの自動符号化器を用いてデータ表現を学習することを提案する。
勾配領域における潜伏クリーンデータを破損させて雑音入力データを生成する。
いくつかのビジュアルベンチマークの実験では、提案されたアプローチでより良い表現が学べることが示されている。
論文 参考訳(メタデータ) (2020-03-30T16:52:39Z) - Intelligence, physics and information -- the tradeoff between accuracy
and simplicity in machine learning [5.584060970507507]
私は、インテリジェンスを多くの統合的な側面で見ることと、タスクのパフォーマンスと複雑さの間の普遍的な2日間のトレードオフは、2つの実現可能な視点を提供すると信じています。
この論文では、インテリジェンスのいくつかの側面においていくつかの重要な問題に対処し、2期間のトレードオフにおける相転移について研究する。
論文 参考訳(メタデータ) (2020-01-11T18:34:29Z)
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。