論文の概要: Application of Generative Adversarial Network (GAN) for Synthetic Training Data Creation to improve performance of ANN Classifier for extracting Built-Up pixels from Landsat Satellite Imagery
- arxiv url: http://arxiv.org/abs/2501.19283v1
- Date: Fri, 31 Jan 2025 16:47:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-03 14:02:49.607589
- Title: Application of Generative Adversarial Network (GAN) for Synthetic Training Data Creation to improve performance of ANN Classifier for extracting Built-Up pixels from Landsat Satellite Imagery
- Title(参考訳): ランドサット衛星画像から組込み画素抽出のためのANN分類器の性能向上のための合成学習データ作成へのGANの適用
- Authors: Amritendu Mukherjee, Dipanwita Sinha Mukherjee, Parthasarathy Ramachandran,
- Abstract要約: 低解像度ランドサット画像を用いた画素ベース分類タスクのためのニューラルネットワークの訓練は困難である。
このようなトレーニングデータの不足のため、ニューラルネットワークは期待されるレベルの精度を達成できない可能性がある。
この制限は、トレーニングされたサンプルデータと同じ分布を持つ合成データを生成することを目的とした生成ネットワークを用いて克服することができる。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: Training a neural network for pixel based classification task using low resolution Landsat images is difficult as the size of the training data is usually small due to less number of available pixels that represent a single class without any mixing with other classes. Due to this scarcity of training data, neural network may not be able to attain expected level of accuracy. This limitation could be overcome using a generative network that aims to generate synthetic data having the same distribution as the sample data with which it is trained. In this work, we have proposed a methodology for improving the performance of ANN classifier to identify built-up pixels in the Landsat$7$ image with the help of developing a simple GAN architecture that could generate synthetic training pixels when trained using original set of sample built-up pixels. To ensure that the marginal and joint distributions of all the bands corresponding to the generated and original set of pixels are indistinguishable, non-parametric Kolmogorov Smirnov Test and Ball Divergence based Equality of Distributions Test have been performed respectively. It has been observed that the overall accuracy and kappa coefficient of the ANN model for built-up classification have continuously improved from $0.9331$ to $0.9983$ and $0.8277$ to $0.9958$ respectively, with the inclusion of generated sets of built-up pixels to the original one.
- Abstract(参考訳): 低解像度ランドサット画像を用いた画素分類タスクのためのニューラルネットワークのトレーニングは、通常、トレーニングデータのサイズが小さいため、他のクラスと混同することなく、単一のクラスを表すピクセルの数が少ないため困難である。
このようなトレーニングデータの不足のため、ニューラルネットワークは期待されるレベルの精度を達成できない可能性がある。
この制限は、トレーニングされたサンプルデータと同じ分布を持つ合成データを生成することを目的とした生成ネットワークを用いて克服することができる。
本研究では,Landsat$7$画像中の組込み画素を識別するためのANN分類器の性能向上手法を提案する。
生成された画素と原画素の集合に対応するすべてのバンドの周縁分布と関節分布が区別できないようにするために、非パラメトリックのコルモゴロフ・スミルノフ試験とボールディバージェンスに基づく分布の等式がそれぞれ実施された。
組立分類のためのANNモデルの全体的な精度とカッパ係数は、それぞれ0.9331$から0.9983$へ、0.9277$から0.9958$へ、それぞれ改善されている。
関連論文リスト
- Score Neural Operator: A Generative Model for Learning and Generalizing Across Multiple Probability Distributions [7.851040662069365]
我々は,複数の確率分布からスコア関数へのマッピングを統一されたフレームワーク内で学習する,$emphScore Neural Operatorを紹介した。
提案手法は,新しい分布からの1つのイメージを利用すれば,その分布から複数の異なる画像を生成することができる。
論文 参考訳(メタデータ) (2024-10-11T06:00:34Z) - Enhanced Sharp-GAN For Histopathology Image Synthesis [63.845552349914186]
病理組織像合成は、正確ながん検出のためのディープラーニングアプローチの訓練において、データ不足の問題に対処することを目的としている。
核トポロジと輪郭正則化を用いて合成画像の品質を向上させる新しい手法を提案する。
提案手法は、Sharp-GANを2つのデータセット上の4つの画像品質指標すべてで上回る。
論文 参考訳(メタデータ) (2023-01-24T17:54:01Z) - Using a Conditional Generative Adversarial Network to Control the
Statistical Characteristics of Generated Images for IACT Data Analysis [55.41644538483948]
画像のプロパティの値に応じて、画像を複数のクラスに分割し、新しい画像を生成する際に必要なクラスを指定する。
大気圧チェレンコフ望遠鏡(IACT)の画像の場合、重要な点は全画像ピクセル(画像サイズ)の明るさである。
我々は,TAIGA-IACT実験で得られた画像と類似した画像を生成するために,cGAN技術を使用した。
論文 参考訳(メタデータ) (2022-11-28T22:30:33Z) - Traditional Classification Neural Networks are Good Generators: They are
Competitive with DDPMs and GANs [104.72108627191041]
従来のニューラルネットワーク分類器は、最先端の生成モデルに匹敵する高品質な画像を生成することができることを示す。
マスクをベースとした再構成モジュールを提案し, 意味的勾配を意識し, 可視画像の合成を行う。
また,本手法は,画像テキスト基盤モデルに関して,テキスト・画像生成にも適用可能であることを示す。
論文 参考訳(メタデータ) (2022-11-27T11:25:35Z) - Decoupled Mixup for Generalized Visual Recognition [71.13734761715472]
視覚認識のためのCNNモデルを学習するための新しい「デカップリング・ミクスアップ」手法を提案する。
本手法は,各画像を識別領域と雑音発生領域に分離し,これらの領域を均一に組み合わせてCNNモデルを訓練する。
実験結果から,未知のコンテキストからなるデータに対する本手法の高一般化性能を示す。
論文 参考訳(メタデータ) (2022-10-26T15:21:39Z) - Tree species classification from hyperspectral data using
graph-regularized neural networks [11.049203564925634]
木種分類のためのグラフ正規化ニューラルネットワーク(GRNN)を提案する。
提案アルゴリズムは,グラフ構築のためのスーパーピクセルベースセグメンテーション,画素ワイドニューラルネットワーク分類器,ラベル伝搬技術を含む。
GRNNは、フランス領ギアナの異質林で収集された新しいHSIデータセットに対して、高い分類精度(約92%)を達成する。
論文 参考訳(メタデータ) (2022-08-18T07:17:40Z) - Stable Parallel Training of Wasserstein Conditional Generative
Adversarial Neural Networks [0.0]
本稿では,固定計算予算の制約の下で,条件付き生成逆ニューラルネットワーク(W-CGAN)を訓練するための,安定かつ並列なアプローチを提案する。
CIFAR10、CIFAR100、ImageNet1kデータセットに対するアプローチについて説明する。
性能は、限られた計算時間と計算資源内でのスケーラビリティと最終的な精度の観点から評価される。
論文 参考訳(メタデータ) (2022-07-25T16:30:40Z) - Facilitated machine learning for image-based fruit quality assessment in
developing countries [68.8204255655161]
自動画像分類は食品科学における教師あり機械学習の一般的な課題である。
事前学習型視覚変換器(ViT)に基づく代替手法を提案する。
標準的なデバイス上で限られたリソースで簡単に実装できる。
論文 参考訳(メタデータ) (2022-07-10T19:52:20Z) - Class Balanced PixelNet for Neurological Image Segmentation [20.56747443955369]
画素レベルの畳み込みニューラルネットワーク(CNN)を用いた自動脳腫瘍分割法(PixelNetなど)を提案する。
提案モデルは脳腫瘍と虚血性脳梗塞のセグメンテーションデータセットにおいて有望な結果を得た。
論文 参考訳(メタデータ) (2022-04-23T10:57:54Z) - Generative Zero-shot Network Quantization [41.75769117366117]
畳み込みニューラルネットワークは、低レベルの画像生成と復元における多数のトレーニングサンプルから現実的な画像優先度を学習することができる。
また,高レベル画像認識タスクでは,本質的バッチ正規化(bn)統計をトレーニングデータなしで活用することにより,各カテゴリの「現実的」画像をさらに再構築できることを示す。
論文 参考訳(メタデータ) (2021-01-21T04:10:04Z) - Locally Masked Convolution for Autoregressive Models [107.4635841204146]
LMConvは標準的な2Dコンボリューションの簡単な修正であり、任意のマスクを画像の各位置の重みに適用することができる。
我々は,パラメータを共有するが生成順序が異なる分布推定器のアンサンブルを学習し,全画像密度推定の性能を向上させる。
論文 参考訳(メタデータ) (2020-06-22T17:59:07Z)
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。