論文の概要: Tile Compression and Embeddings for Multi-Label Classification in GeoLifeCLEF 2024

• arxiv url: http://arxiv.org/abs/2407.06326v1
• Date: Mon, 8 Jul 2024 18:44:03 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-10 22:03:20.927524
• Title: Tile Compression and Embeddings for Multi-Label Classification in GeoLifeCLEF 2024
• Title（参考訳）: GeoLifeCLEF 2024におけるマルチラベル分類のためのタイル圧縮と埋め込み
• Authors: Anthony Miyaguchi, Patcharapong Aphiwetsa, Mark McDuffie,
• Abstract要約: DS@GTチームとのGeoLifeCLEF 2024競合による多ラベル分類課題を解決する。 提案手法では、離散コサイン変換(DCT)による周波数領域係数を用いて、生の入力データを圧縮・プリコンプリートする。 我々のベストコンペティションモデルは、リーダーボードスコア0.152、ベストポストコンペティションスコア0.161の位置情報機能を利用した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We explore methods to solve the multi-label classification task posed by the GeoLifeCLEF 2024 competition with the DS@GT team, which aims to predict the presence and absence of plant species at specific locations using spatial and temporal remote sensing data. Our approach uses frequency-domain coefficients via the Discrete Cosine Transform (DCT) to compress and pre-compute the raw input data for convolutional neural networks. We also investigate nearest neighborhood models via locality-sensitive hashing (LSH) for prediction and to aid in the self-supervised contrastive learning of embeddings through tile2vec. Our best competition model utilized geolocation features with a leaderboard score of 0.152 and a best post-competition score of 0.161. Source code and models are available at https://github.com/dsgt-kaggle-clef/geolifeclef-2024.
• Abstract（参考訳）: DS@GTチームとGeoLifeCLEF 2024の競合による多言語分類課題の解決方法について検討し,空間的・時間的リモートセンシングデータを用いて,特定の場所における植物種の存在と欠如を予測することを目的とした。 本稿では、離散コサイン変換(DCT)による周波数領域係数を用いて、畳み込みニューラルネットワークの生入力データを圧縮・プリコンプリートする。 また,局所感応型ハッシュ(LSH)による近接近傍モデルの予測や,タイル2vecによる埋め込みの自己教師付きコントラスト学習の支援についても検討した。 我々のベストコンペティションモデルは、リーダーボードスコア0.152、ベストポストコンペティションスコア0.161の位置情報機能を利用した。 ソースコードとモデルはhttps://github.com/dsgt-kaggle-clef/geolifeclef-2024で公開されている。

関連論文リスト

• Downstream-Pretext Domain Knowledge Traceback for Active Learning [138.02530777915362]
  本稿では、下流知識と事前学習指導のデータ相互作用をトレースするダウンストリーム・プレテキスト・ドメイン知識トレース(DOKT)手法を提案する。 DOKTは、トレースバックの多様性指標とドメインベースの不確実性推定器から構成される。 10のデータセットで行った実験は、我々のモデルが他の最先端の手法よりも優れていることを示している。
  論文  参考訳（メタデータ） (2024-07-20T01:34:13Z)
• Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
  弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。 I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
  論文  参考訳（メタデータ） (2023-08-31T05:05:53Z)
• Nearest Neighbor-Based Contrastive Learning for Hyperspectral and LiDAR Data Classification [45.026868970899514]
  本稿では,Nearest Neighbor-based Contrastive Learning Network (NNCNet)を提案する。 具体的には,近隣地域間のセマンティック関係を強化した近傍データ拡張手法を提案する。 さらに,HSIデータとLiDARデータ間の2次・高次特徴相互作用を生かしたバイリニアアテンションモジュールを設計する。
  論文  参考訳（メタデータ） (2023-01-09T13:43:54Z)
• End-to-End Signal Classification in Signed Cumulative Distribution Transform Space [10.435990685398595]
  本稿では,符号付き累積分布変換(SCDT)を用いた新しいエンドツーエンド信号分類法を提案する。 我々はSCDTの数学的特性を利用して、変換領域の問題をより容易に表現し、SCDT領域に最も近い局所部分空間(NLS)探索アルゴリズムを用いて未知のサンプルのクラスを解く。 実験により,提案手法はデータ効率が良く,分布外サンプルに頑健であり,深層学習のエンドツーエンド分類法に関して計算複雑性の点で競争力がある一方で,高精度な分類結果を提供することが示された。
  論文  参考訳（メタデータ） (2022-04-30T21:40:42Z)
• 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)
• GAN Based Boundary Aware Classifier for Detecting Out-of-distribution Samples [24.572516991009323]
  本稿では,ほとんどのIDデータのみを含む閉じたハイパースペースを生成するためのGANベースの境界認識分類器(GBAC)を提案する。 本手法は, 従来のニューラルネットが, 未閉鎖領域として特徴空間を分離し, オード検出に適さない。 GBACを補助モジュールとして、閉じたハイパースペースの外に分散されたoodデータは、より低いスコアで割り当てられ、より効果的なood検出が可能になる。
  論文  参考訳（メタデータ） (2021-12-22T03:35:54Z)
• DAAIN: Detection of Anomalous and Adversarial Input using Normalizing Flows [52.31831255787147]
  我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。 本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。 当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
  論文  参考訳（メタデータ） (2021-05-30T22:07:13Z)
• TraND: Transferable Neighborhood Discovery for Unsupervised Cross-domain Gait Recognition [77.77786072373942]
  本稿では、教師なしクロスドメイン歩行認識のための領域ギャップを橋渡しするTransferable Neighborhood Discovery (TraND) フレームワークを提案する。 我々は、潜在空間におけるラベルなしサンプルの自信ある近傍を自動的に発見するために、エンドツーエンドのトレーニング可能なアプローチを設計する。 提案手法は,CASIA-BとOU-LPの2つの公開データセットに対して,最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-02-09T03:07:07Z)
• LSD-C: Linearly Separable Deep Clusters [145.89790963544314]
  ラベルなしデータセットのクラスタを識別する新しい手法であるLSD-Cを提案する。 本手法は,最近の半教師付き学習の実践からインスピレーションを得て,クラスタリングアルゴリズムと自己教師付き事前学習と強力なデータ拡張を組み合わせることを提案する。 CIFAR 10/100, STL 10, MNIST, および文書分類データセットReuters 10Kなど, 一般的な公開画像ベンチマークにおいて, 当社のアプローチが競合より大幅に優れていたことを示す。
  論文  参考訳（メタデータ） (2020-06-17T17:58:10Z)

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。