論文の概要: Multisource Collaborative Domain Generalization for Cross-Scene Remote Sensing Image Classification
- arxiv url: http://arxiv.org/abs/2412.03897v1
- Date: Thu, 05 Dec 2024 06:15:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-06 14:42:00.090070
- Title: Multisource Collaborative Domain Generalization for Cross-Scene Remote Sensing Image Classification
- Title(参考訳): クロスシーンリモートセンシング画像分類のためのマルチソース協調ドメイン一般化
- Authors: Zhu Han, Ce Zhang, Lianru Gao, Zhiqiang Zeng, Michael K. Ng, Bing Zhang, Jocelyn Chanussot,
- Abstract要約: クロスシーン画像分類は, 異なる分布領域のアノテート領域に, 地中物質の事前の知識を伝達することを目的としている。
既存のアプローチでは、未確認のターゲットドメインへの単一ソースドメインの一般化に重点を置いている。
マルチソースリモートセンシングデータの均一性と不均一性特性に基づく,新しいマルチソース協調型ドメイン一般化フレームワーク(MS-CDG)を提案する。
- 参考スコア(独自算出の注目度): 57.945437355714155
- License:
- Abstract: Cross-scene image classification aims to transfer prior knowledge of ground materials to annotate regions with different distributions and reduce hand-crafted cost in the field of remote sensing. However, existing approaches focus on single-source domain generalization to unseen target domains, and are easily confused by large real-world domain shifts due to the limited training information and insufficient diversity modeling capacity. To address this gap, we propose a novel multi-source collaborative domain generalization framework (MS-CDG) based on homogeneity and heterogeneity characteristics of multi-source remote sensing data, which considers data-aware adversarial augmentation and model-aware multi-level diversification simultaneously to enhance cross-scene generalization performance. The data-aware adversarial augmentation adopts an adversary neural network with semantic guide to generate MS samples by adaptively learning realistic channel and distribution changes across domains. In views of cross-domain and intra-domain modeling, the model-aware diversification transforms the shared spatial-channel features of MS data into the class-wise prototype and kernel mixture module, to address domain discrepancies and cluster different classes effectively. Finally, the joint classification of original and augmented MS samples is employed by introducing a distribution consistency alignment to increase model diversity and ensure better domain-invariant representation learning. Extensive experiments on three public MS remote sensing datasets demonstrate the superior performance of the proposed method when benchmarked with the state-of-the-art methods.
- Abstract(参考訳): クロスシーン画像分類は, 異なる分布領域のアノテート領域に地上材料の事前知識を伝達し, リモートセンシング分野における手作りコストを削減することを目的としている。
しかし、既存のアプローチでは、未確認のターゲットドメインへの単一ソースドメインの一般化に焦点が当てられており、限られたトレーニング情報と多様性モデリング能力の不足により、大規模な実世界のドメインシフトと容易に混同される。
このギャップに対処するため,マルチソースリモートセンシングデータの均一性と不均質性に基づく新しいマルチソース協調ドメイン一般化フレームワーク(MS-CDG)を提案する。
データ認識された敵対的拡張は、セマンティックガイドを備えた敵対的ニューラルネットワークを採用し、現実的なチャネルとドメイン間の分布変化を適応的に学習することでMSサンプルを生成する。
ドメイン間モデリングとドメイン内モデリングの観点では、モデル認識の多様化はMSデータの共有空間チャネルの特徴をクラスワイドプロトタイプとカーネル混合モジュールに変換し、ドメインの相違に対処し、異なるクラスを効果的にクラスタ化する。
最後に、モデルの多様性を高め、ドメイン不変表現学習を改善するために、分布整合性アライメントを導入することで、元のMSサンプルと強化MSサンプルを共同分類する。
3つのパブリックMSリモートセンシングデータセットに対する大規模な実験は、最先端の手法でベンチマークした場合、提案手法の優れた性能を示す。
関連論文リスト
- A Centralized-Distributed Transfer Model for Cross-Domain Recommendation Based on Multi-Source Heterogeneous Transfer Learning [7.522103690277754]
クリックスルーレート(CTR)推定における疎度問題に対処するために,クロスドメインレコメンデーション(CDR)手法を提案する。
既存のCDRメソッドは、ソースドメインからターゲットドメインに直接知識を転送し、ドメイン間の不均一性を無視する。
マルチソースヘテロジニアストランスファー学習に基づくCDRのための集中分散トランスファーモデル(CDTM)を提案する。
論文 参考訳(メタデータ) (2024-11-14T08:53:23Z) - Semantic-Rearrangement-Based Multi-Level Alignment for Domain Generalized Segmentation [11.105659621713855]
異なるローカルセマンティック領域は、ソースドメインからターゲットドメインへの異なる視覚的特性を示す。
本稿では,Semantic-Rearrangement-based Multi-Level Alignment (SRMA)を提案する。
論文 参考訳(メタデータ) (2024-04-21T16:05:38Z) - Improving Anomaly Segmentation with Multi-Granularity Cross-Domain
Alignment [17.086123737443714]
異常セグメンテーションは、画像中の非定型物体を識別する上で重要な役割を担っている。
既存の手法は合成データに顕著な結果を示すが、合成データドメインと実世界のデータドメインの相違を考慮できないことが多い。
シーンと個々のサンプルレベルの両方で、ドメイン間の機能を調和させるのに適した、マルチグラニュラリティ・クロスドメインアライメントフレームワークを導入します。
論文 参考訳(メタデータ) (2023-08-16T22:54:49Z) - Single-source Domain Expansion Network for Cross-Scene Hyperspectral
Image Classification [23.301189142107617]
広帯域高スペクトル画像(HSI)分類は注目されている。
ソースドメイン(SD)のみにモデルをトレーニングし、ターゲットドメイン(TD)に直接モデルを転送する必要がある。
ドメインの一般化の考え方に基づき、SDEnet(Single-source Domain Expansion Network)が開発され、ドメイン拡張の信頼性と有効性を保証する。
論文 参考訳(メタデータ) (2022-09-04T14:54:34Z) - Consistency and Diversity induced Human Motion Segmentation [231.36289425663702]
本稿では,CDMS(Consistency and Diversity induced Human Motion)アルゴリズムを提案する。
我々のモデルは、ソースとターゲットデータを異なる多層特徴空間に分解する。
ソースとターゲットデータ間の領域ギャップを低減するために、マルチミューチュアル学習戦略を実行する。
論文 参考訳(メタデータ) (2022-02-10T06:23:56Z) - A Novel Mix-normalization Method for Generalizable Multi-source Person
Re-identification [49.548815417844786]
人物再識別(Re-ID)は、監督されたシナリオにおいて大きな成功を収めた。
モデルがソースドメインに過度に適合するため、教師付きモデルを任意の未確認領域に直接転送することは困難である。
ドメイン・アウェア・ミックス正規化(DMN)とドメイン・ウェア・センター正規化(DCR)からなるMixNormを提案する。
論文 参考訳(メタデータ) (2022-01-24T18:09:38Z) - Adaptively-Accumulated Knowledge Transfer for Partial Domain Adaptation [66.74638960925854]
部分ドメイン適応(PDA)は、ソースドメインラベル空間がターゲットドメインを置き換えるとき、現実的で困難な問題を扱う。
本稿では,2つの領域にまたがる関連カテゴリを整合させる適応的知識伝達フレームワーク(A$2KT)を提案する。
論文 参考訳(メタデータ) (2020-08-27T00:53:43Z) - Dual Distribution Alignment Network for Generalizable Person
Re-Identification [174.36157174951603]
ドメイン一般化(DG)は、人物再識別(Re-ID)を扱うための有望なソリューションとして機能する
本稿では、複数のソースドメインの分布を選択的に整列させることにより、この問題に対処するDual Distribution Alignment Network(DDAN)を提案する。
大規模なDomain Generalization Re-ID(DG Re-ID)ベンチマークでDDANを評価した。
論文 参考訳(メタデータ) (2020-07-27T00:08:07Z) - Learning to Combine: Knowledge Aggregation for Multi-Source Domain
Adaptation [56.694330303488435]
マルチソースドメイン適応(LtC-MSDA)フレームワークを併用する学習法を提案する。
簡単に言うと、知識グラフは様々なドメインのプロトタイプ上に構築され、セマンティックに隣接した表現間の情報伝達を実現する。
我々のアプローチは、既存の手法よりも顕著なマージンで優れています。
論文 参考訳(メタデータ) (2020-07-17T07:52:44Z)
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。