Fugu-MT 論文翻訳(概要): Partial Label Learning with Focal Loss for Sea Ice Classification Based on Ice Charts

論文の概要: Partial Label Learning with Focal Loss for Sea Ice Classification Based on Ice Charts

arxiv url: http://arxiv.org/abs/2406.03645v2
Date: Sun, 9 Jun 2024 21:16:27 GMT
ステータス: 処理完了
システム内更新日: 2024-06-11 23:15:47.809194
Title: Partial Label Learning with Focal Loss for Sea Ice Classification Based on Ice Charts
Title（参考訳）: 氷チャートに基づく海氷分類のための氷損失を用いた部分ラベル学習
Authors: Behzad Vahedi, Benjamin Lucas, Farnoush Banaei-Kashani, Andrew P. Barrett, Walter N. Meier, Siri Jodha Khalsa, Morteza Karimzadeh,
Abstract要約: 本稿では,海氷分類を学習するための新しいGeoAI手法を提案する。我々は、ポリゴンレベルのラベルを候補部分ラベルとして扱い、対応する氷濃度を各ラベルの信頼性スコアとして割り当て、焦点損失と統合して畳み込みニューラルネットワーク(CNN)を訓練する。提案手法により,Sentinel-1双偏極SAR画像の海氷分類性能が向上し,分類精度が87%から92%に向上し,F-1スコアが90%から93%に向上した。
参考スコア（独自算出の注目度）: 2.0270474485799017
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Sea ice, crucial to the Arctic and Earth's climate, requires consistent monitoring and high-resolution mapping. Manual sea ice mapping, however, is time-consuming and subjective, prompting the need for automated deep learning-based classification approaches. However, training these algorithms is challenging because expert-generated ice charts, commonly used as training data, do not map single ice types but instead map polygons with multiple ice types. Moreover, the distribution of various ice types in these charts is frequently imbalanced, resulting in a performance bias towards the dominant class. In this paper, we present a novel GeoAI approach to training sea ice classification by formalizing it as a partial label learning task with explicit confidence scores to address multiple labels and class imbalance. We treat the polygon-level labels as candidate partial labels, assign the corresponding ice concentrations as confidence scores to each candidate label, and integrate them with focal loss to train a Convolutional Neural Network (CNN). Our proposed approach leads to enhanced performance for sea ice classification in Sentinel-1 dual-polarized SAR images, improving classification accuracy (from 87% to 92%) and weighted average F-1 score (from 90% to 93%) compared to the conventional training approach of using one-hot encoded labels and Categorical Cross-Entropy loss. It also improves the F-1 score in 4 out of the 6 sea ice classes.
Abstract（参考訳）: 北極と地球の気候にとって重要な海氷は、一貫した監視と高解像度のマッピングを必要とする。しかし、手動の海氷マッピングは時間がかかり、主観的であり、自動化された深層学習に基づく分類アプローチの必要性を喚起する。しかし、これらのアルゴリズムの訓練は、訓練データとして一般的に使用される専門家による氷のチャートは、単一の氷のタイプではなく、複数の氷のタイプでポリゴンのマッピングを行うため、困難である。さらに、これらのチャートにおける様々な氷種の分布は、しばしば不均衡であり、支配階級に対する性能バイアスをもたらす。本稿では,複数のラベルとクラス不均衡に対処するための信頼度を明示した部分的ラベル学習タスクとして定式化することで,海氷分類のトレーニングを行う新しいGeoAI手法を提案する。我々は、ポリゴンレベルのラベルを候補部分ラベルとして扱い、対応する氷濃度を各候補ラベルの信頼性スコアとして割り当て、焦点損失と統合して畳み込みニューラルネットワーク(CNN)を訓練する。提案手法により, セチネル-1二重偏極SAR画像の海氷分類性能の向上が図られ, 分類精度が87%から92%に向上し, 平均F-1スコアが90%から93%に向上した。また6つの海氷クラスのうち4つのF-1スコアも改善されている。

関連論文リスト

Region-level labels in ice charts can produce pixel-level segmentation for Sea Ice types [12.480532138980834]
本報告では,海氷分類のための弱教師付き学習法について,専門家による注釈付き氷チャートから低解像度ラベルを用いた。提案手法は,全教師付きU-Netベンチマークにおいて,マッピングの精度とクラスワイドの精度を両立させる。
論文参考訳（メタデータ） (2024-05-16T21:54:33Z)
A Parallel Workflow for Polar Sea-Ice Classification using Auto-labeling of Sentinel-2 Imagery [3.0635300721402228]
本研究は, 極海氷をセンチネル2画像で分類する, 堅牢で効果的でスケーラブルなシステムを開発することを目的とする。 1つの大きな障害は、基礎となる真実として振る舞うためのラベル付きS2トレーニングデータ(イメージ)がないことである。そこで本研究では,S2画像のセグメンテーションと自動ラベル付けを行う,スケーラブルで高精度な手法を提案する。
論文参考訳（メタデータ） (2024-03-19T20:10:50Z)
Three Heads Are Better Than One: Complementary Experts for Long-Tailed Semi-supervised Learning [74.44500692632778]
本稿では,様々なクラス分布をモデル化するComPlementary Experts (CPE) を提案する。 CPEは、CIFAR-10-LT、CIFAR-100-LT、STL-10-LTのベンチマークで最先端のパフォーマンスを達成する。
論文参考訳（メタデータ） (2023-12-25T11:54:07Z)
Comparison of Cross-Entropy, Dice, and Focal Loss for Sea Ice Type Segmentation [1.4364491422470593]
我々は,3つの損失関数がセンチネル-1画像における支配的な氷のタイプを予測するために訓練されたCNNモデルの性能にどう影響するかを示す。 Dice と Focal の損失がより高いメトリクスを生み出すという事実にもかかわらず、クロスエントロピーの結果は一般により物理的に一貫性があるように見える。
論文参考訳（メタデータ） (2023-10-26T04:18:00Z)
Enhancing sea ice segmentation in Sentinel-1 images with atrous convolutions [1.0905169282633254]
MLトレーニングと評価のために生成された高解像度ベンチマークデータセットであるExtreme Earthバージョン2を使用します。我々のパイプラインは、SAR画像セグメンテーションのためのResNetsとAtrous Space Pyramid Poolingを組み合わせたものである。提案手法は,全SARシーンを1回の実行で効率的に分割することができ,ベースラインのU-Netよりも高速で,空間解像度と寸法を保ち,パッチ分類に依存するアプローチに比べてノイズに対して頑健である。
論文参考訳（メタデータ） (2023-10-26T03:43:28Z)
JointMatch: A Unified Approach for Diverse and Collaborative Pseudo-Labeling to Semi-Supervised Text Classification [65.268245109828]
半教師付きテキスト分類(SSTC)は、ラベルのないデータを活用する能力によって注目を集めている。擬似ラベルに基づく既存のアプローチは、擬似ラベルバイアスと誤り蓄積の問題に悩まされる。我々は、最近の半教師付き学習からアイデアを統一することでこれらの課題に対処する、SSTCの総合的なアプローチであるJointMatchを提案する。
論文参考訳（メタデータ） (2023-10-23T05:43:35Z)
Prototypical Classifier for Robust Class-Imbalanced Learning [64.96088324684683]
埋め込みネットワークに付加的なパラメータを必要としないtextitPrototypealを提案する。プロトタイプは、訓練セットがクラス不均衡であるにもかかわらず、すべてのクラスに対してバランスと同等の予測を生成する。我々は, CIFAR-10LT, CIFAR-100LT, Webvision のデータセットを用いて, プロトタイプが芸術の状況と比較した場合, サブスタンスの改善が得られることを検証した。
論文参考訳（メタデータ） (2021-10-22T01:55:01Z)
Instance-based Label Smoothing For Better Calibrated Classification Networks [3.388509725285237]
ラベルの平滑化はディープニューラルネットワークで多クラス分類に広く利用されている。ラベルのスムース化と自己蒸留の両方からインスピレーションを得ます。本稿では2つの新しいインスタンスベースのラベル平滑化手法を提案する。
論文参考訳（メタデータ） (2021-10-11T15:33:23Z)
No Fear of Heterogeneity: Classifier Calibration for Federated Learning with Non-IID Data [78.69828864672978]
実世界のフェデレーションシステムにおける分類モデルのトレーニングにおける中心的な課題は、非IIDデータによる学習である。このアルゴリズムは, 近似されたssian混合モデルからサンプリングした仮想表現を用いて分類器を調整する。実験の結果,CIFAR-10,CIFAR-100,CINIC-10など,一般的なフェデレーション学習ベンチマークにおけるCCVRの現状が示された。
論文参考訳（メタデータ） (2021-06-09T12:02:29Z)
PLM: Partial Label Masking for Imbalanced Multi-label Classification [59.68444804243782]
長いラベルの分布を持つ実世界のデータセットで訓練されたニューラルネットワークは、頻繁なクラスに偏りがあり、頻繁なクラスでは不十分である。本稿では,この比率を利用したPLM(Partial Label Masking)を提案する。本手法は,マルチラベル (MultiMNIST と MSCOCO) とシングルラベル (CIFAR-10 と CIFAR-100) の2つの画像分類データセットにおいて,既存の手法と比較して高い性能を実現する。
論文参考訳（メタデータ） (2021-05-22T18:07:56Z)
Background Splitting: Finding Rare Classes in a Sea of Background [55.03789745276442]
我々は,少数の稀なカテゴリの画像分類のための,高精度な深層モデルの訓練という現実的な問題に焦点をあてる。これらのシナリオでは、ほとんどの画像はデータセットの背景カテゴリに属します(データセットの95%は背景です)。非バランスなデータセットをトレーニングするための標準的な微調整アプローチと最先端アプローチの両方が、この極端な不均衡の存在下で正確な深層モデルを生成していないことを実証する。
論文参考訳（メタデータ） (2020-08-28T23:05:15Z)

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。