論文の概要: Low Saturation Confidence Distribution-based Test-Time Adaptation for Cross-Domain Remote Sensing Image Classification

• arxiv url: http://arxiv.org/abs/2408.16265v2
• Date: Sat, 29 Mar 2025 12:02:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-01 14:29:43.990955
• Title: Low Saturation Confidence Distribution-based Test-Time Adaptation for Cross-Domain Remote Sensing Image Classification
• Title（参考訳）: クロスドメインリモートセンシング画像分類のための低飽和信頼分布に基づくテスト時間適応
• Authors: Yu Liang, Shilei Cao, Xiucheng Zhang, Juepeng Zheng, Jianxi Huang, Haohuan Fu,
• Abstract要約: Unsupervised Domain Adaptation (UDA)は、様々なリモートセンシング(RS)アプリケーション間の分散シフトに対処する強力な技術として登場した。 ほとんどのUDAアプローチでは、データプライバシや送信制限のため、ソースデータへのアクセスが必要になります。 低飽和度分布テスト時間適応(D-TTA)マーケティングは、クロスドメインRS画像分類のためのテスト時間適応を探求する最初の試みである。
• 参考スコア（独自算出の注目度）: 4.7514513970228425
• License:
• Abstract: Unsupervised Domain Adaptation (UDA) has emerged as a powerful technique for addressing the distribution shift across various Remote Sensing (RS) applications. However, most UDA approaches require access to source data, which may be infeasible due to data privacy or transmission constraints. Source-free Domain Adaptation addresses the absence of source data but usually demands a large amount of target domain data beforehand, hindering rapid adaptation and restricting their applicability in broader scenarios. In practical cross-domain RS image classification, achieving a balance between adaptation speed and accuracy is crucial. Therefore, we propose Low Saturation Confidence Distribution Test-Time Adaptation (LSCD-TTA), marketing the first attempt to explore Test-Time Adaptation for cross-domain RS image classification without requiring source or target training data. LSCD-TTA adapts a source-trained model on the fly using only the target test data encountered during inference, enabling immediate and efficient adaptation while maintaining high accuracy. Specifically, LSCD-TTA incorporates three optimization strategies tailored to the distribution characteristics of RS images. Firstly, weak-confidence softmax-entropy loss emphasizes categories that are more difficult to classify to address unbalanced class distribution. Secondly, balanced-categories softmax-entropy loss softens and balances the predicted probabilities to tackle the category diversity. Finally, low saturation distribution loss utilizes soft log-likelihood ratios to reduce the impact of low-confidence samples in the later stages of adaptation. By effectively combining these losses, LSCD-TTA enables rapid and accurate adaptation to the target domain for RS image classification.
• Abstract（参考訳）: Unsupervised Domain Adaptation (UDA)は、様々なリモートセンシング(RS)アプリケーション間の分散シフトに対処する強力な技術として登場した。 しかし、ほとんどのUDAアプローチはソースデータへのアクセスを必要としており、データプライバシや送信制限のために利用できない可能性がある。 ソースフリーなドメイン適応は、ソースデータがないことに対処するが、通常、大量のターゲットドメインデータを事前に要求し、迅速な適応を妨げ、より広いシナリオで適用性を制限する。 実用的なクロスドメインRS画像分類では、適応速度と精度のバランスをとることが重要である。 そこで我々は,低飽和度信頼性テスト時間適応(LSCD-TTA)を提案し,ソースやターゲットのトレーニングデータを必要としないクロスドメインRS画像分類のためのテスト時間適応を最初に検討する。 LSCD-TTAは、推論中に遭遇したターゲットテストデータのみを使用して、ソーストレーニングされたモデルをオンザフライで適応し、高精度を維持しながら即時かつ効率的な適応を可能にする。 具体的には、LSCD-TTAには、RS画像の分布特性に合わせた3つの最適化戦略が組み込まれている。 第一に、弱自信のソフトマックスエントロピー損失は、不均衡なクラス分布に対処することがより困難であるカテゴリを強調する。 第二に、平衡カテゴリーはソフトマックスエントロピー損失を和らげ、カテゴリーの多様性に取り組むための予測確率のバランスをとる。 最後に、低飽和分布損失は、ソフトログ様比を利用して、適応後期における低信頼サンプルの影響を低減する。 これらの損失を効果的に組み合わせることで、LSCD-TTAはRS画像分類のためのターゲット領域への迅速かつ正確な適応を可能にする。

関連論文リスト

• Enhancing Test Time Adaptation with Few-shot Guidance [35.13317598777832]
  深層ニューラルネットワークは、トレーニング(ソース)とテスト(ターゲット)データのドメインシフトに直面しながら、大きなパフォーマンス低下に直面することが多い。 TTA(Test Time Adaptation)法は,事前学習したソースモデルを用いて,配信外ストリーミングターゲットデータを処理する手法として提案されている。 本稿では,Few-Shot Test Time Adaptation (FS-TTA) を開発した。
  論文  参考訳（メタデータ） (2024-09-02T15:50:48Z)
• Self-supervised Feature Adaptation for 3D Industrial Anomaly Detection [59.41026558455904]
  具体的には,大規模ビジュアルデータセット上で事前学習されたモデルを利用した初期のマルチモーダルアプローチについて検討する。 本研究では,アダプタを微調整し,異常検出に向けたタスク指向の表現を学習するためのLSFA法を提案する。
  論文  参考訳（メタデータ） (2024-01-06T07:30:41Z)
• Self-supervised Domain-agnostic Domain Adaptation for Satellite Images [18.151134198549574]
  このようなドメイン定義なしでドメイン適応を行うための自己教師付きドメイン非依存ドメイン適応(SS(DA)2)手法を提案する。 まず,2つの衛星画像パッチ間で画像と画像の変換を行うために,生成ネットワークのトレーニングを行う。 そして、異なる試験スペクトル特性でトレーニングデータを増強することにより、下流モデルの一般化性を向上させる。
  論文  参考訳（メタデータ） (2023-09-20T07:37:23Z)
• UPL-SFDA: Uncertainty-aware Pseudo Label Guided Source-Free Domain Adaptation for Medical Image Segmentation [21.583847757015157]
  医用画像セグメンテーションのための新しいuncertainty-aware Pseudo Label guided (UPL)法を提案する。 具体的には,ターゲット領域における予測の多様性を高めるために,ターゲット領域成長(TDG)を提案する。 また,ある前方パスで得られた疑似ラベルを用いて,次の前方パスで予測を監督するTwice Forward Pass Supervision(TFS)戦略を提案する。
  論文  参考訳（メタデータ） (2023-09-19T01:52:37Z)
• AcroFOD: An Adaptive Method for Cross-domain Few-shot Object Detection [59.10314662986463]
  クロスドメインの少数ショットオブジェクト検出は、いくつかの注釈付きターゲットデータで対象ドメイン内のオブジェクト検出器を適応することを目的としている。 提案手法は,複数のベンチマーク上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-09-22T10:23:40Z)
• Domain Alignment Meets Fully Test-Time Adaptation [24.546705919244936]
  デプロイされたMLモデルの基本的な要件は、トレーニングとは異なるテストディストリビューションから引き出されたデータに一般化することである。 本稿では,元のソースデータへのアクセスを制限した,この問題の難易度に焦点をあてる。 ソースデータ全体にアクセスする必要性を緩和し,UDAとFTTAを橋渡しする新しいアプローチCATTAnを提案する。
  論文  参考訳（メタデータ） (2022-07-09T03:17:19Z)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)
• 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)
• Unsupervised Domain Adaptive 3D Detection with Multi-Level Consistency [90.71745178767203]
  ディープラーニングに基づく3Dオブジェクト検出は、大規模な自律走行データセットの出現によって、前例のない成功を収めた。 既存の3Dドメイン適応検出手法は、しばしばターゲットのドメインアノテーションへの事前アクセスを前提とします。 我々は、ソースドメインアノテーションのみを利用する、より現実的な、教師なしの3Dドメイン適応検出について研究する。
  論文  参考訳（メタデータ） (2021-07-23T17:19:23Z)
• Collaborative Training between Region Proposal Localization and Classification for Domain Adaptive Object Detection [121.28769542994664]
  オブジェクト検出のためのドメイン適応は、ラベル付きデータセットからラベル付きデータセットへの検出を適応させようとする。 本稿では,地域提案ネットワーク (RPN) と地域提案分類器 (RPC) が,大きなドメインギャップに直面した場合の転送可能性が大きく異なることを初めて明らかにする。
  論文  参考訳（メタデータ） (2020-09-17T07:39:52Z)
• Unsupervised Domain Adaptation in the Dissimilarity Space for Person Re-identification [11.045405206338486]
  そこで本稿では,ペア距離の整合性を実現するために,D-MMD(Dissimilarity-based Maximum Mean Discrepancy)の新たな損失を提案する。 3つの挑戦的なベンチマークデータセットによる実験結果から、D-MMDの損失は、ソースとドメインの分布がよりよくなるにつれて減少することが示された。
  論文  参考訳（メタデータ） (2020-07-27T22:10:46Z)

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。