論文の概要: Unsupervised Domain Adaptation Architecture Search with Self-Training for Land Cover Mapping
- arxiv url: http://arxiv.org/abs/2404.14704v1
- Date: Tue, 23 Apr 2024 03:17:36 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-24 15:31:26.728900
- Title: Unsupervised Domain Adaptation Architecture Search with Self-Training for Land Cover Mapping
- Title（参考訳）: 土地被覆図作成のための自己学習による教師なしドメイン適応アーキテクチャ探索
- Authors: Clifford Broni-Bediako, Junshi Xia, Naoto Yokoya,
- Abstract要約: 非教師なし領域適応(UDA)は、土地被覆マッピングにおける挑戦的なオープンな問題である。
本研究では,ドメインシフト下での土地被覆マッピングタスクに対して,軽量ニューラルネットワークの自動探索を行うフレームワークを提案する。
これは、マルコフランダムフィールドニューラルアーキテクチャサーチ(MRF-NAS)を自己学習 UDA フレームワークに統合することで実現される。
- 参考スコア（独自算出の注目度）: 13.278362721781978
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Unsupervised domain adaptation (UDA) is a challenging open problem in land cover mapping. Previous studies show encouraging progress in addressing cross-domain distribution shifts on remote sensing benchmarks for land cover mapping. The existing works are mainly built on large neural network architectures, which makes them resource-hungry systems, limiting their practical impact for many real-world applications in resource-constrained environments. Thus, we proposed a simple yet effective framework to search for lightweight neural networks automatically for land cover mapping tasks under domain shifts. This is achieved by integrating Markov random field neural architecture search (MRF-NAS) into a self-training UDA framework to search for efficient and effective networks under a limited computation budget. This is the first attempt to combine NAS with self-training UDA as a single framework for land cover mapping. We also investigate two different pseudo-labelling approaches (confidence-based and energy-based) in self-training scheme. Experimental results on two recent datasets (OpenEarthMap & FLAIR #1) for remote sensing UDA demonstrate a satisfactory performance. With only less than 2M parameters and 30.16 GFLOPs, the best-discovered lightweight network reaches state-of-the-art performance on the regional target domain of OpenEarthMap (59.38% mIoU) and the considered target domain of FLAIR #1 (51.19% mIoU). The code is at https://github.com/cliffbb/UDA-NAS}{https://github.com/cliffbb/UDA-NAS.
- Abstract（参考訳）: 非教師なし領域適応(UDA)は、土地被覆マッピングにおける挑戦的なオープンな問題である。
従来の研究では、土地被覆マッピングのためのリモートセンシングベンチマークにおいて、クロスドメイン分布シフトに対処する上で、さらなる進展が示されている。
既存の作業は、主に大規模なニューラルネットワークアーキテクチャに基づいて構築されており、リソースに制約のある環境における現実世界の多くのアプリケーションに対する実践的影響を制限している。
そこで本稿では,ドメインシフト下での土地被覆マッピングタスクに対して,軽量ニューラルネットワークの自動探索を行うための,シンプルかつ効果的なフレームワークを提案する。
これは、マルコフランダムフィールドニューラルアーキテクチャサーチ(MRF-NAS)を自己学習 UDA フレームワークに統合し、限られた計算予算の下で効率的なネットワークを探索することで実現される。
これは、NASと自己学習型UDAを組み合わせた土地被覆地図の単一フレームワークとしての最初の試みである。
また、自己学習方式における2つの異なる擬似ラベリング手法(信頼ベースとエネルギーベース)についても検討する。
リモートセンシングUDAのための最近の2つのデータセット(OpenEarthMapとFLAIR #1)の実験結果は、良好な性能を示している。
2M 以下のパラメータと 30.16 GFLOP で、最もよく発見された軽量ネットワークは、OpenEarthMap (59.38% mIoU) の地域ターゲットドメインとFLAIR #1 (51.19% mIoU) のターゲットドメインで最先端の性能に達する。
コードはhttps://github.com/cliffbb/UDA-NAS}{https://github.com/cliffbb/UDA-NASにある。
関連論文リスト
- AANet: Aggregation and Alignment Network with Semi-hard Positive Sample
Mining for Hierarchical Place Recognition [48.043749855085025]
視覚的位置認識(VPR)はロボット工学におけるホットスポットの一つで、視覚情報を用いてロボットの位置を特定する。
本稿では,アグリゲーションモジュールを介して候補を検索するためのグローバルな特徴を抽出できる統一ネットワークを提案する。
また、より堅牢なVPRネットワークをトレーニングするために、適切なハード正のイメージを選択するためのセミハード正のサンプルマイニング(ShPSM)戦略を提案する。
論文 参考訳（メタデータ） (2023-10-08T14:46:11Z) - Automated Search-Space Generation Neural Architecture Search [45.902445271519596]
ASGNASは1ショット方式で高性能サブネットワークを生成する。
ASGNASは人間の努力を最小限にするために3つの顕著な貢献をしている。
ライブラリはhttps://github.com/tianyic/tianyic/only_train_once.comでリリースされる。
論文 参考訳（メタデータ） (2023-05-25T19:41:40Z) - GeNAS: Neural Architecture Search with Better Generalization [14.92869716323226]
最近のニューラルアーキテクチャサーチ(NAS)アプローチは、対象データに対して優れたネットワークを見つけるために、検証損失または精度に依存している。
そこで本研究では,より一般化した探索型アーキテクチャのためのニューラルアーキテクチャ探索手法について検討する。
論文 参考訳（メタデータ） (2023-05-15T12:44:54Z) - OFA$^2$: A Multi-Objective Perspective for the Once-for-All Neural
Architecture Search [79.36688444492405]
once-for-All(OFA)は、異なるリソース制約を持つデバイスのための効率的なアーキテクチャを探索する問題に対処するために設計された、ニューラルネットワーク検索(NAS)フレームワークである。
我々は,探索段階を多目的最適化問題として明示的に考えることにより,効率の追求を一歩進めることを目指している。
論文 参考訳（メタデータ） (2023-03-23T21:30:29Z) - Stagewise Unsupervised Domain Adaptation with Adversarial Self-Training
for Road Segmentation of Remote Sensing Images [93.50240389540252]
リモートセンシング画像からの道路セグメンテーションは、幅広い応用可能性を持つ課題である。
本稿では,この領域における領域シフト(DS)問題に対処するため,RoadDAと呼ばれる新たな段階的ドメイン適応モデルを提案する。
2つのベンチマーク実験の結果、RoadDAはドメインギャップを効率的に減らし、最先端の手法より優れていることが示された。
論文 参考訳（メタデータ） (2021-08-28T09:29:14Z) - OPANAS: One-Shot Path Aggregation Network Architecture Search for Object
Detection [82.04372532783931]
近年、ニューラルアーキテクチャサーチ (NAS) が特徴ピラミッドネットワーク (FPN) の設計に活用されている。
本稿では,探索効率と検出精度を大幅に向上させる,ワンショットパス集約ネットワークアーキテクチャ探索(OPANAS)アルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-03-08T01:48:53Z) - Neural Architecture Search on ImageNet in Four GPU Hours: A
Theoretically Inspired Perspective [88.39981851247727]
トレーニングフリーニューラルアーキテクチャサーチ(TE-NAS)という新しいフレームワークを提案する。
TE-NASは、ニューラルネットワークカーネル(NTK)のスペクトルと入力空間内の線形領域の数を分析することによってアーキテクチャをランク付けする。
1) この2つの測定はニューラルネットワークのトレーサビリティと表現性を示し, (2) ネットワークのテスト精度と強く相関することを示した。
論文 参考訳（メタデータ） (2021-02-23T07:50:44Z) - A novel Region of Interest Extraction Layer for Instance Segmentation [3.5493798890908104]
本稿では,既存のRoI抽出器の限界を克服する必要性を動機とする。
提案するレイヤ(Generic RoI Extractor - GRoIE)には,非ローカルなビルディングブロックとアテンション機構が導入され,パフォーマンスが向上する。
GRoIEは、オブジェクト検出とインスタンスセグメンテーションの両方のために、すべての2段階アーキテクチャとシームレスに統合できる。
論文 参考訳（メタデータ） (2020-04-28T17:07:32Z) - DDPNAS: Efficient Neural Architecture Search via Dynamic Distribution
Pruning [135.27931587381596]
DDPNASと呼ばれる効率よく統一されたNASフレームワークを提案する。
検索空間は動的に切断され,その分布はいくつかのエポック毎に更新される。
提案した効率的なネットワーク生成手法により,与えられた制約に対する最適なニューラルネットワークアーキテクチャを直接取得する。
論文 参考訳（メタデータ） (2019-05-28T06:35:52Z)
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。