論文の概要: AdaSemSeg: An Adaptive Few-shot Semantic Segmentation of Seismic Facies

• arxiv url: http://arxiv.org/abs/2501.16760v1
• Date: Tue, 28 Jan 2025 07:31:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-29 16:42:14.727508
• Title: AdaSemSeg: An Adaptive Few-shot Semantic Segmentation of Seismic Facies
• Title（参考訳）: AdaSemSeg:アダプティブ・フォーショット・セマンティック・セマンティック・セマンティック・セグメンテーション
• Authors: Surojit Saha, Ross Whitaker,
• Abstract要約: Few-shot semantic segmentation (FSSS) メソッドはターゲットクラスの数を固定する。 本研究では, 各種の地震現象に対応可能な, 数発のセマンティックセマンティックセマンティックセマンティクス法を提案する。 我々はAdaSemSegを3つの公的な地震災害データセットで訓練した。
• 参考スコア（独自算出の注目度）: 0.6138671548064355
• License:
• Abstract: Automated interpretation of seismic images using deep learning methods is challenging because of the limited availability of training data. Few-shot learning is a suitable learning paradigm in such scenarios due to its ability to adapt to a new task with limited supervision (small training budget). Existing few-shot semantic segmentation (FSSS) methods fix the number of target classes. Therefore, they do not support joint training on multiple datasets varying in the number of classes. In the context of the interpretation of seismic facies, fixing the number of target classes inhibits the generalization capability of a model trained on one facies dataset to another, which is likely to have a different number of facies. To address this shortcoming, we propose a few-shot semantic segmentation method for interpreting seismic facies that can adapt to the varying number of facies across the dataset, dubbed the AdaSemSeg. In general, the backbone network of FSSS methods is initialized with the statistics learned from the ImageNet dataset for better performance. The lack of such a huge annotated dataset for seismic images motivates using a self-supervised algorithm on seismic datasets to initialize the backbone network. We have trained the AdaSemSeg on three public seismic facies datasets with different numbers of facies and evaluated the proposed method on multiple metrics. The performance of the AdaSemSeg on unseen datasets (not used in training) is better than the prototype-based few-shot method and baselines.
• Abstract（参考訳）: 深層学習を用いた地震画像の自動解釈は,訓練データの入手が限られているため困難である。 限られた監督(小さな訓練予算)で新しいタスクに適応する能力があるため、このようなシナリオでは、ほとんどショットラーニングは適切な学習パラダイムである。 既存の数ショットセマンティックセグメンテーション(FSSS)メソッドは、ターゲットクラスの数を固定する。 そのため、クラス数によって異なる複数のデータセットのジョイントトレーニングをサポートしない。 地震相の解釈の文脈では、対象クラスの数を固定することは、1つの相データセットで訓練されたモデルの一般化能力を阻害する。 この欠点に対処するために,AdaSemSegと呼ばれる,データセット全体にわたるさまざまな相に適応可能な,数発のセマンティックセマンティックセマンティックセマンティクス手法を提案する。 一般に、FSSSメソッドのバックボーンネットワークは、パフォーマンス向上のためにImageNetデータセットから得られた統計に基づいて初期化される。 このような地震画像用の巨大な注釈付きデータセットが欠如していることは、バックボーンネットワークを初期化するために、地震データセットに自己教師付きアルゴリズムを用いて動機づけている。 我々はAdaSemSegを3つの公的な地震災害データセットで訓練し、提案手法を複数の指標で評価した。 AdaSemSegの未確認データセット(トレーニングに使用されていない)のパフォーマンスは、プロトタイプベースの少ショットメソッドやベースラインよりも優れている。

関連論文リスト

• Cross-Level Distillation and Feature Denoising for Cross-Domain Few-Shot Classification [49.36348058247138]
  トレーニング段階において,対象領域内のラベルなし画像のごく一部をアクセス可能にすることで,ドメイン間数ショット分類の問題に対処する。 我々は,対象データセットのより識別的な特徴を抽出するモデルの能力を高めるため,クロスレベルな知識蒸留法を慎重に設計する。 提案手法は,従来の動的蒸留法を5.44%,1.37%,5ショット分類法を1.37%超えることができる。
  論文  参考訳（メタデータ） (2023-11-04T12:28:04Z)
• Cooperative Self-Training for Multi-Target Adaptive Semantic Segmentation [26.79776306494929]
  複数のドメイン固有分類器間の協調を誘導するために擬似ラベルを用いた自己学習戦略を提案する。 我々は、自己学習の不可欠な部分を形成する画像ビューを生成する効率的な方法として、特徴スタイリングを採用している。
  論文  参考訳（メタデータ） (2022-10-04T13:03:17Z)
• Learning from Temporal Spatial Cubism for Cross-Dataset Skeleton-based Action Recognition [88.34182299496074]
  アクションラベルはソースデータセットでのみ利用可能だが、トレーニング段階のターゲットデータセットでは利用できない。 我々は,2つの骨格に基づく行動データセット間の領域シフトを低減するために,自己スーパービジョン方式を利用する。 時間的セグメントや人体部分のセグメンテーションとパーフォーミングにより、我々は2つの自己教師あり学習分類タスクを設計する。
  論文  参考訳（メタデータ） (2022-07-17T07:05:39Z)
• Learning Debiased and Disentangled Representations for Semantic Segmentation [52.35766945827972]
  セマンティックセグメンテーションのためのモデルに依存しない訓練手法を提案する。 各トレーニングイテレーションで特定のクラス情報をランダムに除去することにより、クラス間の機能依存を効果的に削減する。 提案手法で訓練したモデルは,複数のセマンティックセグメンテーションベンチマークにおいて強い結果を示す。
  論文  参考訳（メタデータ） (2021-10-31T16:15:09Z)
• Multi-dataset Pretraining: A Unified Model for Semantic Segmentation [97.61605021985062]
  我々は、異なるデータセットの断片化アノテーションを最大限に活用するために、マルチデータセット事前訓練と呼ばれる統合フレームワークを提案する。 これは、複数のデータセットに対して提案されたピクセルからプロトタイプへのコントラスト損失を通じてネットワークを事前トレーニングすることで実現される。 異なるデータセットからの画像とクラス間の関係をより良くモデル化するために、クロスデータセットの混合によりピクセルレベルの埋め込みを拡張する。
  論文  参考訳（メタデータ） (2021-06-08T06:13:11Z)
• SML: Semantic Meta-learning for Few-shot Semantic Segmentation [27.773396307292497]
  本稿では,提案するメタ学習フレームワークSemantic Meta-Learningを提案する。 さらに,クラスレベルのセマンティック情報を取り入れるだけでなく,トレーニングデータに含まれる複数の画像から得られる情報を,プロトタイプの計算に有効活用する手法であるリッジ回帰(ridge regression)を提案する。
  論文  参考訳（メタデータ） (2020-09-14T18:26:46Z)
• Region Comparison Network for Interpretable Few-shot Image Classification [97.97902360117368]
  新しいクラスのモデルをトレーニングするために、ラベル付きサンプルの限られた数だけを効果的に活用するための画像分類が提案されている。 本研究では,領域比較ネットワーク (RCN) と呼ばれる距離学習に基づく手法を提案する。 また,タスクのレベルからカテゴリへの解釈可能性の一般化も提案する。
  論文  参考訳（メタデータ） (2020-09-08T07:29:05Z)
• Weakly-supervised Object Localization for Few-shot Learning and Fine-grained Few-shot Learning [0.5156484100374058]
  少数のサンプルから新しい視覚カテゴリーを学習することを目的としている。 本稿では,自己認識型補完モジュール(SACモジュール)を提案する。 また,数発の分類のために,識別的深層記述子を選択するためのアクティブマスクも生成する。
  論文  参考訳（メタデータ） (2020-03-02T14:07:05Z)
• Meta-learning framework with applications to zero-shot time-series forecasting [82.61728230984099]
  この研究は幅広いメタラーニングフレームワークを使って肯定的な証拠を提供する。 残余接続はメタラーニング適応機構として機能する。 我々は、ソースTSデータセット上でニューラルネットワークをトレーニングし、異なるターゲットTSデータセット上で再トレーニングすることなくデプロイできることを示します。
  論文  参考訳（メタデータ） (2020-02-07T16:39:43Z)

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。