論文の概要: Heterogeneous Network Based Contrastive Learning Method for PolSAR Land Cover Classification
- arxiv url: http://arxiv.org/abs/2403.19902v2
- Date: Sat, 4 May 2024 03:47:06 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-07 23:06:30.725328
- Title: Heterogeneous Network Based Contrastive Learning Method for PolSAR Land Cover Classification
- Title（参考訳）: PolSAR土地被覆分類のための不均一ネットワークを用いたコントラスト学習法
- Authors: Jianfeng Cai, Yue Ma, Zhixi Feng, Shuyuan Yang,
- Abstract要約: SL(Supervised Learning)は、高性能を実現するために大量のラベル付きPolSARデータを必要とする。
本稿では,異種ネットワークに基づくコントラスト学習法(HCLNet)を提案する。
ラベルなしのPolSARデータから高レベルな表現を学習し、マルチ機能やスーパーピクセルに応じて数ショットの分類を行う。
- 参考スコア（独自算出の注目度）: 18.37842655634498
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Polarimetric synthetic aperture radar (PolSAR) image interpretation is widely used in various fields. Recently, deep learning has made significant progress in PolSAR image classification. Supervised learning (SL) requires a large amount of labeled PolSAR data with high quality to achieve better performance, however, manually labeled data is insufficient. This causes the SL to fail into overfitting and degrades its generalization performance. Furthermore, the scattering confusion problem is also a significant challenge that attracts more attention. To solve these problems, this article proposes a Heterogeneous Network based Contrastive Learning method(HCLNet). It aims to learn high-level representation from unlabeled PolSAR data for few-shot classification according to multi-features and superpixels. Beyond the conventional CL, HCLNet introduces the heterogeneous architecture for the first time to utilize heterogeneous PolSAR features better. And it develops two easy-to-use plugins to narrow the domain gap between optics and PolSAR, including feature filter and superpixel-based instance discrimination, which the former is used to enhance the complementarity of multi-features, and the latter is used to increase the diversity of negative samples. Experiments demonstrate the superiority of HCLNet on three widely used PolSAR benchmark datasets compared with state-of-the-art methods. Ablation studies also verify the importance of each component. Besides, this work has implications for how to efficiently utilize the multi-features of PolSAR data to learn better high-level representation in CL and how to construct networks suitable for PolSAR data better.
- Abstract（参考訳）: ポラリメトリック合成開口レーダ(PolSAR)の画像解釈は様々な分野で広く使われている。
近年,深層学習はPolSAR画像分類において大きな進歩を遂げている。
教師付き学習(SL)では、高い品質のラベル付きPolSARデータを必要とするが、手動でラベル付けしたデータは不十分である。
これにより、SLはオーバーフィッティングに失敗し、一般化性能を低下させる。
さらに、散乱混乱問題もまた、より多くの注目を集める重要な課題である。
これらの問題を解決するために,異種ネットワークを用いたコントラスト学習法(HCLNet)を提案する。
ラベルなしのPolSARデータから高レベルな表現を学習し、マルチ機能やスーパーピクセルに応じて数ショットの分類を行う。
従来のCL以外にも、HCLNetは異種PolSAR機能をよりよく活用するために、初めて異種アーキテクチャを導入した。
また、機能フィルタやスーパーピクセルベースのインスタンス識別など、光学とPolSARのドメインギャップを狭めるための2つの使いやすさプラグインを開発しており、後者は複数の特徴の相補性を高めるために、後者は負のサンプルの多様性を高めるために使用される。
実験では、最先端の手法と比較して、広く使われている3つのPolSARベンチマークデータセット上でのHCLNetの優位性を実証した。
アブレーション研究は各成分の重要性も検証している。
さらに, この研究は, PolSARデータの多機能化を効果的に活用し, CLの高レベル表現をより良く学習する方法や, PolSARデータに適したネットワークを構築する方法についても示唆している。
関連論文リスト
- Efficient Prompt Tuning of Large Vision-Language Model for Fine-Grained
Ship Classification [62.425462136772666]
リモートセンシング(RS-FGSC)における船のきめ細かい分類は、クラス間の高い類似性とラベル付きデータの限られた可用性のために大きな課題となる。
大規模な訓練済みビジョンランゲージモデル(VLM)の最近の進歩は、少数ショット学習やゼロショット学習において印象的な能力を示している。
本研究は, 船種別分類精度を高めるために, VLMの可能性を生かしたものである。
論文 参考訳（メタデータ） (2024-03-13T05:48:58Z) - SARDet-100K: Towards Open-Source Benchmark and ToolKit for Large-Scale SAR Object Detection [79.23689506129733]
我々は,大規模SARオブジェクト検出のための新しいベンチマークデータセットとオープンソース手法を構築した。
私たちのデータセットであるSARDet-100Kは、10の既存のSAR検出データセットの厳格な調査、収集、標準化の結果です。
私たちの知る限りでは、SARDet-100KはCOCOレベルの大規模マルチクラスSARオブジェクト検出データセットとしては初めてのものです。
論文 参考訳（メタデータ） (2024-03-11T09:20:40Z) - SDF2Net: Shallow to Deep Feature Fusion Network for PolSAR Image
Classification [1.2349871196144497]
畳み込みニューラルネットワーク(CNN)は, PolSAR画像の特徴を捉える上で重要な役割を担っている。
本研究では,PolSAR画像分類において,Shallow to Deep Feature Fusion Network (SDF2Net) と呼ばれる複素数値CNNの3分岐融合を提案する。
その結果、提案手法は全体的な精度の向上を示し、AIRSARデータセットは1.3%、0.8%、ESARデータセットは0.5%向上した。
論文 参考訳（メタデータ） (2024-02-27T16:46:21Z) - Hodge-Aware Contrastive Learning [101.56637264703058]
単純コンプレックスは、マルチウェイ依存によるデータのモデリングに有効である。
我々は、単純なデータを処理するための対照的な自己教師付き学習手法を開発した。
論文 参考訳（メタデータ） (2023-09-14T00:40:07Z) - SAR Despeckling Using Overcomplete Convolutional Networks [53.99620005035804]
スペックルはSAR画像を劣化させるため、リモートセンシングにおいて重要な問題である。
近年の研究では、畳み込みニューラルネットワーク(CNN)が古典的解法よりも優れていることが示されている。
本研究は、受容場を制限することで低レベルの特徴を学習することに集中するために、過剰なCNNアーキテクチャを用いる。
本稿では,合成および実SAR画像の非特定化手法と比較して,提案手法により非特定化性能が向上することを示す。
論文 参考訳（メタデータ） (2022-05-31T15:55:37Z) - Deep Transfer Learning for Land Use Land Cover Classification: A
Comparative Study [0.0]
本研究では,CNNをスクラッチからトレーニングする代わりに,事前学習ネットワークを微調整するトランスファーラーニングを利用する。
提案したアプローチにより、限られたデータ問題に対処することができ、非常に高い精度を実現しました。
論文 参考訳（メタデータ） (2021-10-06T08:46:57Z) - Lightweight Single-Image Super-Resolution Network with Attentive
Auxiliary Feature Learning [73.75457731689858]
本稿では,SISR の注意補助機能 (A$2$F) に基づく計算効率が高く正確なネットワークを構築した。
大規模データセットを用いた実験結果から,提案手法の有効性が示された。
論文 参考訳（メタデータ） (2020-11-13T06:01:46Z) - Classification of Polarimetric SAR Images Using Compact Convolutional
Neural Networks [24.553598498985796]
PolSAR画像の分類には,新しい,体系的な分類フレームワークが提案されている。
スライドウインドウ分類手法を用いたCNNのコンパクトで適応的な実装に基づいている。
提案手法は深層CNNよりも小さいウィンドウサイズで分類できる。
論文 参考訳（メタデータ） (2020-11-10T17:09:11Z) - Cross-Attention in Coupled Unmixing Nets for Unsupervised Hyperspectral
Super-Resolution [79.97180849505294]
本稿では,HSIの空間分解能を高めるために,CUCaNetというクロスアテンション機構を備えた新しい結合型アンミックスネットワークを提案する。
3つの広く使われているHS-MSデータセットに対して、最先端のHSI-SRモデルと比較実験を行った。
論文 参考訳（メタデータ） (2020-07-10T08:08:20Z) - Unsupervised Deep Representation Learning and Few-Shot Classification of
PolSAR Images [16.594052017558223]
本稿では、教師なし深層表現学習と少数ショット分類のためのPolSAR対応コントラスト学習ネットワーク(PCLNet)を提案する。
PCLNetは、インスタンス識別のプロキシ目的に基づいて教師なし事前学習フェーズを開発し、ラベルなしのPolSARデータから有用な表現を学習する。
広く使われている2つのPolSARベンチマークデータセットの実験により、PCLNetの有効性が確認された。
論文 参考訳（メタデータ） (2020-06-27T12:15:32Z) - Improving Deep Hyperspectral Image Classification Performance with
Spectral Unmixing [3.84448093764973]
本稿では,多元HSI分類法を提案する。
我々は、データセット固有のオートエンコーダにより、スペクトル領域から豊富な領域へのすべてのHSIを変換する。
次に、複数のHSIからの豊富な表現を収集して拡大データセットを形成する。
論文 参考訳（メタデータ） (2020-04-01T17:14:05Z)
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。