論文の概要: Impacts of Color and Texture Distortions on Earth Observation Data in
Deep Learning
- arxiv url: http://arxiv.org/abs/2403.04385v1
- Date: Thu, 7 Mar 2024 10:25:23 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-08 14:25:11.923041
- Title: Impacts of Color and Texture Distortions on Earth Observation Data in
Deep Learning
- Title(参考訳): 深層学習における色とテクスチャの歪みが地球観測データに及ぼす影響
- Authors: Martin Willbo, Aleksis Pirinen, John Martinsson, Edvin Listo Zec, Olof
Mogren, Mikael Nilsson
- Abstract要約: 土地被覆分類と変化検出はリモートセンシングと地球観測の重要な応用である。
入力EOデータの異なる視覚特性がモデルの予測に与える影響はよく分かっていない。
ランドカバー分類のための複数の最先端セグメンテーションネットワークを用いて実験を行い、色歪みよりも一般的にテクスチャに敏感であることを示す。
- 参考スコア(独自算出の注目度): 5.4342762069288115
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Land cover classification and change detection are two important applications
of remote sensing and Earth observation (EO) that have benefited greatly from
the advances of deep learning. Convolutional and transformer-based U-net models
are the state-of-the-art architectures for these tasks, and their performances
have been boosted by an increased availability of large-scale annotated EO
datasets. However, the influence of different visual characteristics of the
input EO data on a model's predictions is not well understood. In this work we
systematically examine model sensitivities with respect to several color- and
texture-based distortions on the input EO data during inference, given models
that have been trained without such distortions. We conduct experiments with
multiple state-of-the-art segmentation networks for land cover classification
and show that they are in general more sensitive to texture than to color
distortions. Beyond revealing intriguing characteristics of widely used land
cover classification models, our results can also be used to guide the
development of more robust models within the EO domain.
- Abstract(参考訳): 土地被覆分類と変化検出は、深層学習の進歩から大きな恩恵を受けたリモートセンシングと地球観測(EO)の2つの重要な応用である。
畳み込みとトランスフォーマーベースのU-netモデルは、これらのタスクの最先端アーキテクチャであり、大規模なアノテーション付きEOデータセットの増加によってパフォーマンスが向上している。
しかし、入力EOデータの異なる視覚特性がモデルの予測に与える影響はよく分かっていない。
本研究では,入力eoデータの複数の色・テクスチャに基づく歪みに対して,そのような歪みを伴わずに学習したモデルに対して,モデル感度を体系的に検討する。
ランドカバー分類のための複数の最先端セグメンテーションネットワークを用いて実験を行い、色歪みよりも一般的にテクスチャに敏感であることを示す。
広く用いられている土地被覆分類モデルの興味深い特徴を明らかにするだけでなく、eoドメイン内のより堅牢なモデルの開発を導くためにも利用できる。
関連論文リスト
- Innovative Horizons in Aerial Imagery: LSKNet Meets DiffusionDet for
Advanced Object Detection [55.2480439325792]
本稿では,LSKNetのバックボーンをDiffusionDetヘッドに統合したオブジェクト検出モデルの詳細な評価を行う。
提案手法は平均精度(MAP)を約45.7%向上させる。
この進歩は、提案された修正の有効性を強調し、航空画像解析の新しいベンチマークを設定する。
論文 参考訳(メタデータ) (2023-11-21T19:49:13Z) - Uncovering the Hidden Cost of Model Compression [49.937417635812025]
視覚プロンプティング (VP) はコンピュータビジョンにおいて重要な伝達学習手法として登場した。
モデル間隔は視覚的プロンプトベース転送の性能に悪影響を及ぼす。
以上の結果から,疎度が下流視覚刺激モデルの校正に及ぼす影響が示唆された。
論文 参考訳(メタデータ) (2023-08-29T01:47:49Z) - Quantifying Overfitting: Introducing the Overfitting Index [0.0]
オーバーフィッティング(overfitting)とは、トレーニングデータでは優れたパフォーマンスを示すが、目に見えないデータではフェールである。
本稿では、モデルが過度に適合する傾向を定量的に評価するために考案された新しい指標であるOverfitting Index(OI)を紹介する。
我々の結果は、アーキテクチャ全体にわたる変数過度な振る舞いを強調し、データ拡張による緩和的な影響を強調します。
論文 参考訳(メタデータ) (2023-08-16T21:32:57Z) - Robustness and Generalization Performance of Deep Learning Models on
Cyber-Physical Systems: A Comparative Study [71.84852429039881]
調査は、センサーの故障やノイズなど、様々な摂動を扱うモデルの能力に焦点を当てている。
我々は,これらのモデルの一般化と伝達学習能力を,アウト・オブ・ディストリビューション(OOD)サンプルに公開することによって検証する。
論文 参考訳(メタデータ) (2023-06-13T12:43:59Z) - Fact or Artifact? Revise Layer-wise Relevance Propagation on various ANN
Architectures [0.0]
レイヤワイド関連伝搬(Layer-wise Relevance propagation, LRP)は、さまざまなニューラルネットワーク(ANN)アーキテクチャに関する洞察を明らかにするための強力な技術である。
本稿では,対象物と事実を分離する関連地図の品質向上のためのモデル焦点制御手法とガイダンスを示す。
論文 参考訳(メタデータ) (2023-02-23T20:26:58Z) - A Study on the Generality of Neural Network Structures for Monocular
Depth Estimation [14.09373215954704]
分子深度推定の一般化に向けて,様々なバックボーンネットワークを深く研究する。
我々は、分布内と分布外の両方のデータセット上で、最先端のモデルを評価する。
我々はトランスフォーマーがCNNよりも強い形状バイアスを示すのを観察した。
論文 参考訳(メタデータ) (2023-01-09T04:58:12Z) - Impact of Colour Variation on Robustness of Deep Neural Networks [0.0]
ディープニューラルネットワーク(DNN)は、画像分類、セグメンテーション、オブジェクト検出といったコンピュータビジョンアプリケーションの最先端のパフォーマンスを示している。
最近の進歩は、入力データ、すなわち敵攻撃における手動のデジタル摂動に対する脆弱性を示している。
本研究では,イメージネットのサブセットにRGB色を27種類の組み合わせで変形させることにより,色差データセットを提案する。
論文 参考訳(メタデータ) (2022-09-02T08:16:04Z) - CHALLENGER: Training with Attribution Maps [63.736435657236505]
ニューラルネットワークのトレーニングに属性マップを利用すると、モデルの正規化が向上し、性能が向上することを示す。
特に、我々の汎用的なドメインに依存しないアプローチは、ビジョン、自然言語処理、時系列タスクにおける最先端の結果をもたらすことを示す。
論文 参考訳(メタデータ) (2022-05-30T13:34:46Z) - Investigating classification learning curves for automatically generated
and labelled plant images [0.1338174941551702]
本研究では,異なる生育段階のマニトバ草原に共通する作物や雑草を代表とする植物画像のデータセットを提示する。
本稿では、ResNetアーキテクチャを用いて、このデータに基づく分類タスクの学習曲線を決定する。
ラベルノイズとトレーニング可能なパラメータの低減が,このデータセットの学習曲線に与える影響について検討する。
論文 参考訳(メタデータ) (2022-05-22T23:28:42Z) - Stereopagnosia: Fooling Stereo Networks with Adversarial Perturbations [71.00754846434744]
知覚不能な加法的摂動は,差分マップを著しく変更できることを示す。
敵データ拡張に使用すると、我々の摂動はより堅牢なトレーニングされたモデルをもたらすことを示す。
論文 参考訳(メタデータ) (2020-09-21T19:20:09Z) - RGB-D Salient Object Detection: A Survey [195.83586883670358]
様々な観点からRGB-Dに基づくSODモデルを総合的に調査する。
また、このドメインからSODモデルと人気のあるベンチマークデータセットもレビューします。
今後の研究に向けたRGB-DベースのSODの課題と方向性について論じる。
論文 参考訳(メタデータ) (2020-08-01T10:01:32Z)
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。