論文の概要: HOpenCls: Training Hyperspectral Image Open-Set Classifiers in Their Living Environments

• arxiv url: http://arxiv.org/abs/2502.15163v1
• Date: Fri, 21 Feb 2025 02:59:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-24 17:06:58.007055
• Title: HOpenCls: Training Hyperspectral Image Open-Set Classifiers in Their Living Environments
• Title（参考訳）: HOpenCls: 生活環境におけるハイパースペクトル画像オープンセット分類器の訓練
• Authors: Hengwei Zhao, Xinyu Wang, Zhuo Zheng, Jingtao Li, Yanfei Zhong,
• Abstract要約: ハイパースペクトル画像(HSI)のオープンセット分類は,実環境に展開するHSI分類モデルにおいて重要である。 本稿では,未ラベルの野生データを活用するための新しいフレームワークであるHOpenClsを提案する。 実験により、複雑な実世界のシナリオにおいて、ワイルドデータはオープンセットのHSI分類を大幅に向上する可能性が示された。
• 参考スコア（独自算出の注目度）: 12.486470619228776
• License:
• Abstract: Hyperspectral image (HSI) open-set classification is critical for HSI classification models deployed in real-world environments, where classifiers must simultaneously classify known classes and reject unknown classes. Recent methods utilize auxiliary unknown classes data to improve classification performance. However, the auxiliary unknown classes data is strongly assumed to be completely separable from known classes and requires labor-intensive annotation. To address this limitation, this paper proposes a novel framework, HOpenCls, to leverage the unlabeled wild data-that is the mixture of known and unknown classes. Such wild data is abundant and can be collected freely during deploying classifiers in their living environments. The key insight is reformulating the open-set HSI classification with unlabeled wild data as a positive-unlabeled (PU) learning problem. Specifically, the multi-label strategy is introduced to bridge the PU learning and open-set HSI classification, and then the proposed gradient contraction and gradient expansion module to make this PU learning problem tractable from the observation of abnormal gradient weights associated with wild data. Extensive experiment results demonstrate that incorporating wild data has the potential to significantly enhance open-set HSI classification in complex real-world scenarios.
• Abstract（参考訳）: ハイパースペクトル画像(HSI)のオープンセット分類は、実環境にデプロイされたHSI分類モデルにおいて重要であり、分類器は既知のクラスを同時に分類し、未知のクラスを拒否しなければならない。 最近の手法では、補助的未知のクラスデータを用いて分類性能を向上させる。 しかし、補助的未知のクラスデータは、既知のクラスと完全に分離可能であり、労働集約的なアノテーションを必要とすると強く想定されている。 この制限に対処するために,未知のクラスと未知のクラスを混合した未ラベルのワイルドデータを活用する新しいフレームワーク,HOpenClsを提案する。 このような野生データは豊富であり、生息環境に分類器を配置する際に自由に収集できる。 鍵となる洞察は、未ラベルのワイルドデータによるオープンセットのHSI分類を、正の未ラベル(PU)学習問題として再構成することである。 具体的には、PU学習とオープンセットHSI分類をブリッジするマルチラベル戦略を導入し、提案した勾配収縮および勾配拡張モジュールを用いて、野生データに付随する異常勾配重みの観測からこのPU学習問題を抽出できるようにする。 大規模な実験結果から、複雑な実世界のシナリオにおいて、ワイルドデータを組み込むことで、オープンセットのHSI分類が大幅に向上する可能性が示された。

関連論文リスト

• Robust Semi-Supervised Learning for Self-learning Open-World Classes [5.714673612282175]
  実世界のアプリケーションでは、ラベル付きデータは常にラベル付き集合に存在しないクラスを含んでいる。 本稿では,自己学習型オープンワールドクラス(SSOC)のためのオープンワールドSSL手法を提案する。 SSOCは、複数の人気のある分類ベンチマークで最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2024-01-15T09:27:46Z)
• Learning Large Margin Sparse Embeddings for Open Set Medical Diagnosis [8.131130865777346]
  オープンセット認識(OSR)では、トレーニングで見えないカテゴリがテストに現れる可能性がある。 OSRは、既知のクラスを正しく分類するだけでなく、未知のクラスを認識し、さらなる診断のために専門家に転送するアルゴリズムを必要とする。 我々は,Open Margin Cosine Loss (OMCL) の2つのメカニズムを統一する手法を提案する。前者はMargin Loss with Adaptive Scale (MLAS) と呼ばれ,クラス内コンパクト性とクラス間セパビリティの強化のための角マージンを導入した。 後者はOpen-Space Suppression (OSS)と呼ばれ、提案された特徴空間記述子を用いて、スパース埋め込み空間を未知として認識することで分類器を開放する。
  論文  参考訳（メタデータ） (2023-07-10T13:09:42Z)
• Open World Classification with Adaptive Negative Samples [89.2422451410507]
  オープンワールド分類は、自然言語処理における重要な実践的妥当性と影響を伴う課題である。 そこで本研究では, アンダーライン適応型アンダーラインアンプ (ANS) に基づいて, 学習段階における効果的な合成オープンカテゴリサンプルを生成する手法を提案する。 ANSは最先端の手法よりも大幅に改善されている。
  論文  参考訳（メタデータ） (2023-03-09T21:12:46Z)
• Parametric Classification for Generalized Category Discovery: A Baseline Study [70.73212959385387]
  Generalized Category Discovery (GCD)は、ラベル付きサンプルから学習した知識を用いて、ラベルなしデータセットで新しいカテゴリを発見することを目的としている。 パラメトリック分類器の故障を調査し,高品質な監視が可能であった場合の過去の設計選択の有効性を検証し,信頼性の低い疑似ラベルを重要課題として同定する。 エントロピー正規化の利点を生かし、複数のGCDベンチマークにおける最先端性能を実現し、未知のクラス数に対して強いロバスト性を示す、単純で効果的なパラメトリック分類法を提案する。
  論文  参考訳（メタデータ） (2022-11-21T18:47:11Z)
• Generalized Category Discovery [148.32255950504182]
  本稿では,ラベル付き画像集合とラベル付き画像集合とを併用した画像認識手法を提案する。 ここでは、未表示の画像はラベル付きクラスから、あるいは新しいものから来ているかもしれない。 まず、新しいカテゴリー発見から最先端のアルゴリズムを取り入れ、そのタスクに適応することで、強力なベースラインを確立する。 次に、単純だが効果的な半教師付き$k$-meansメソッドを導入する。
  論文  参考訳（メタデータ） (2022-01-07T18:58:35Z)
• No Fear of Heterogeneity: Classifier Calibration for Federated Learning with Non-IID Data [78.69828864672978]
  実世界のフェデレーションシステムにおける分類モデルのトレーニングにおける中心的な課題は、非IIDデータによる学習である。 このアルゴリズムは, 近似されたssian混合モデルからサンプリングした仮想表現を用いて分類器を調整する。 実験の結果,CIFAR-10,CIFAR-100,CINIC-10など,一般的なフェデレーション学習ベンチマークにおけるCCVRの現状が示された。
  論文  参考訳（メタデータ） (2021-06-09T12:02:29Z)
• Learning Placeholders for Open-Set Recognition [38.57786747665563]
  既知のクラスに対する分類性能を維持し、未知のクラスを拒絶するPlaceholdeRs for Open-SEt Recognition (Proser)を提案する。 Proserはマニホールドミックスアップによって新しいクラスを効率的に生成し、トレーニング中に予約されたオープンセット分類器の値を適応的に設定します。
  論文  参考訳（メタデータ） (2021-03-28T09:18:15Z)
• Learning Open Set Network with Discriminative Reciprocal Points [70.28322390023546]
  オープンセット認識は、事前に定義されたクラスからサンプルを同時に分類し、残りを「未知」として識別することを目的としている。 本稿では,各既知圏に対応するクラス外空間のポテンシャル表現であるReciprocal Pointを提案する。 相互点によって構成される有界空間に基づいて、未知のリスクは多圏相互作用によって減少する。
  論文  参考訳（メタデータ） (2020-10-31T03:20:31Z)
• Open Set Recognition with Conditional Probabilistic Generative Models [51.40872765917125]
  オープンセット認識のための条件付き確率生成モデル(CPGM)を提案する。 CPGMは未知のサンプルを検出できるが、異なる潜在特徴を条件付きガウス分布に近似させることで、既知のクラスを分類できる。 複数のベンチマークデータセットの実験結果から,提案手法がベースラインを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2020-08-12T06:23:49Z)
• Fuzziness-based Spatial-Spectral Class Discriminant Information Preserving Active Learning for Hyperspectral Image Classification [0.456877715768796]
  本研究では,局所的・グローバルな識別情報保存手法の内外におけるファジィに基づく空間スペクトルを提案する。 ベンチマークHSIデータセットによる実験結果から,FLG法が生成,極端学習機械,スパース多相ロジスティック回帰に与える影響が示された。
  論文  参考訳（メタデータ） (2020-05-28T18:58:11Z)
• Conditional Gaussian Distribution Learning for Open Set Recognition [10.90687687505665]
  オープンセット認識のための条件付きガウス分布学習(CGDL)を提案する。 未知のサンプルを検出することに加えて、異なる潜伏特徴を異なるガウスモデルに近似させることにより、既知のサンプルを分類することもできる。 いくつかの標準画像に対する実験により,提案手法はベースライン法を著しく上回り,新たな最先端結果が得られることが明らかになった。
  論文  参考訳（メタデータ） (2020-03-19T14:32:08Z)

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。