論文の概要: ClassWise-CRF: Category-Specific Fusion for Enhanced Semantic Segmentation of Remote Sensing Imagery

• arxiv url: http://arxiv.org/abs/2504.21491v1
• Date: Wed, 30 Apr 2025 10:19:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-09 19:22:39.477174
• Title: ClassWise-CRF: Category-Specific Fusion for Enhanced Semantic Segmentation of Remote Sensing Imagery
• Title（参考訳）: ClassWise-CRF:リモートセンシング画像のセマンティックセグメンテーション強化のためのカテゴリー特異的融合
• Authors: Qinfeng Zhu, Yunxi Jiang, Lei Fan,
• Abstract要約: そこで我々はClassWise-CRFと呼ばれる結果レベルのカテゴリ固有の融合アーキテクチャを提案する。 Conditional Random Field (CRF) にインスパイアされたClassWise-CRFアーキテクチャは、複数のネットワークからのセグメンテーション予測を信頼性ベクトル場として扱う。 クラスワイズCRFの有効性を検証するために,2つのリモートセンシングデータセットを用いて実験を行った。
• 参考スコア（独自算出の注目度）: 1.5954224931801726
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a result-level category-specific fusion architecture called ClassWise-CRF. This architecture employs a two-stage process: first, it selects expert networks that perform well in specific categories from a pool of candidate networks using a greedy algorithm; second, it integrates the segmentation predictions of these selected networks by adaptively weighting their contributions based on their segmentation performance in each category. Inspired by Conditional Random Field (CRF), the ClassWise-CRF architecture treats the segmentation predictions from multiple networks as confidence vector fields. It leverages segmentation metrics (such as Intersection over Union) from the validation set as priors and employs an exponential weighting strategy to fuse the category-specific confidence scores predicted by each network. This fusion method dynamically adjusts the weights of each network for different categories, achieving category-specific optimization. Building on this, the architecture further optimizes the fused results using unary and pairwise potentials in CRF to ensure spatial consistency and boundary accuracy. To validate the effectiveness of ClassWise-CRF, we conducted experiments on two remote sensing datasets, LoveDA and Vaihingen, using eight classic and advanced semantic segmentation networks. The results show that the ClassWise-CRF architecture significantly improves segmentation performance: on the LoveDA dataset, the mean Intersection over Union (mIoU) metric increased by 1.00% on the validation set and by 0.68% on the test set; on the Vaihingen dataset, the mIoU improved by 0.87% on the validation set and by 0.91% on the test set. These results fully demonstrate the effectiveness and generality of the ClassWise-CRF architecture in semantic segmentation of remote sensing images. The full code is available at https://github.com/zhuqinfeng1999/ClassWise-CRF.
• Abstract（参考訳）: そこで我々はClassWise-CRFと呼ばれる結果レベルのカテゴリ固有の融合アーキテクチャを提案する。 このアーキテクチャは2段階のプロセスを用いており、まず、グレディアルゴリズムを用いて候補ネットワークのプールから特定のカテゴリでよく機能するエキスパートネットワークを選択し、次に、各カテゴリにおけるセグメンテーション性能に基づいて、これらの選択されたネットワークのセグメンテーション予測を適応的に重み付けすることで統合する。 Conditional Random Field (CRF) にインスパイアされたClassWise-CRFアーキテクチャは、複数のネットワークからのセグメンテーション予測を信頼性ベクトル場として扱う。 これはバリデーションセットのセグメンテーションメトリクス(例えば、ユニオンのインターセクションなど)を前もって利用し、指数重み付け戦略を用いて、各ネットワークが予測するカテゴリ固有の信頼性スコアを融合させる。 この融合法は、各ネットワークの重みを異なるカテゴリで動的に調整し、カテゴリ固有の最適化を実現する。 これに基づいて、アーキテクチャは、空間整合性と境界精度を確保するために、CRF内の一対ポテンシャルと対ポテンシャルを用いて融合結果をさらに最適化する。 クラスワイズCRFの有効性を検証するために,従来の8つのセマンティックセマンティックセグメンテーションネットワークを用いて,LoveDAとVayhingenの2つのリモートセンシングデータセットの実験を行った。 その結果,ClassWise-CRFアーキテクチャはセグメンテーション性能を著しく向上させることが明らかとなった。LoveDAデータセットでは,検証セットで平均mIoUが1.00%,テストセットで0.68%,検証セットで平均mIoUが0.87%,テストセットで平均mIoUが0.91%,検証セットで平均mIoUが0.8%向上した。 これらの結果は,リモートセンシング画像のセマンティックセグメンテーションにおけるClassWise-CRFアーキテクチャの有効性と汎用性を示すものである。 全コードはhttps://github.com/zhuqinfeng 1999/ClassWise-CRFで公開されている。

関連論文リスト

• ELFIS: Expert Learning for Fine-grained Image Recognition Using Subsets [6.632855264705276]
  ファイングラインド・ビジュアル・認識のためのエキスパート・ラーニング・フレームワークであるELFISを提案する。 ニューラルネットワークベースのエキスパートのセットは、メタカテゴリに焦点を当ててトレーニングされ、マルチタスクフレームワークに統合される。 実験では、CNNとトランスフォーマーベースのネットワークを使用して、最大+1.3%の精度でSoTA FGVRベンチマークが改善された。
  論文  参考訳（メタデータ） (2023-03-16T12:45:19Z)
• Improve High Level Classification with a More Sensitive metric and Optimization approach for Complex Network Building [0.0]
  本稿では,各クラスに属するサンプルのみを考慮した複雑ネットワークの作成について紹介する。 そして、メトリックを使用して複雑なネットワークの構造を解析し、性能を改善するための最適化アプローチを示す。
  論文  参考訳（メタデータ） (2021-10-23T01:57:39Z)
• 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)
• Adversarial Feature Augmentation and Normalization for Visual Recognition [109.6834687220478]
  最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。 本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。 代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
  論文  参考訳（メタデータ） (2021-03-22T20:36:34Z)
• Self-Challenging Improves Cross-Domain Generalization [81.99554996975372]
  畳み込みニューラルネットワーク(CNN)は、ラベルと相関する支配的特徴を活性化することにより、画像分類を行う。 ドメイン外データに対するCNNの一般化を著しく改善する簡単なトレーニングである自己整合表現(RSC)を導入する。 RSCはトレーニングデータ上で活性化される主要な機能に対して反復的に挑戦し、ラベルと相関する残りの機能を有効にするようネットワークに強制する。
  論文  参考訳（メタデータ） (2020-07-05T21:42:26Z)
• Cyclic Differentiable Architecture Search [99.12381460261841]
  微分可能なArchiTecture Search(DARTS)は、ニューラルアーキテクチャサーチにおいて大きな注目を集めている。 我々はCDARTSと呼ばれる新しい共同目標と新しい周期微分可能なArchiTecture Searchフレームワークを提案する。 DARTS検索の分野では、CIFAR10で97.52%、ImageNetで76.3%、トップ1で76.3%の精度を達成した。
  論文  参考訳（メタデータ） (2020-06-18T17:55:19Z)
• DC-NAS: Divide-and-Conquer Neural Architecture Search [108.57785531758076]
  本稿では,ディープ・ニューラル・アーキテクチャーを効果的かつ効率的に探索するためのディバイド・アンド・コンカ(DC)手法を提案する。 ImageNetデータセットで75.1%の精度を達成しており、これは同じ検索空間を使った最先端の手法よりも高い。
  論文  参考訳（メタデータ） (2020-05-29T09:02:16Z)
• Fitting the Search Space of Weight-sharing NAS with Graph Convolutional Networks [100.14670789581811]
  サンプルサブネットワークの性能に適合するグラフ畳み込みネットワークを訓練する。 この戦略により、選択された候補集合において、より高いランク相関係数が得られる。
  論文  参考訳（メタデータ） (2020-04-17T19:12:39Z)

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。