論文の概要: Feature-Space Oversampling for Addressing Class Imbalance in SAR Ship Classification

• arxiv url: http://arxiv.org/abs/2508.06420v1
• Date: Fri, 08 Aug 2025 16:08:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-11 20:39:06.295448
• Title: Feature-Space Oversampling for Addressing Class Imbalance in SAR Ship Classification
• Title（参考訳）: SAR船舶分類におけるクラス不均衡対応のための特徴空間オーバーサンプリング
• Authors: Ch Muhammad Awais, Marco Reggiannini, Davide Moroni, Oktay Karakus,
• Abstract要約: 本稿では,M2m$_f$,M2m$_u$,Major-to-minor(M2m)法にヒントを得た2つの新しいアルゴリズムを提案する。 アルゴリズムはOpenSARShip(6クラス)とFuSARShip(9クラス)の2つの公開データセットでテストされ、3つの最先端モデルを使って特徴抽出を行う。
• 参考スコア（独自算出の注目度）: 6.0018610735178894
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: SAR ship classification faces the challenge of long-tailed datasets, which complicates the classification of underrepresented classes. Oversampling methods have proven effective in addressing class imbalance in optical data. In this paper, we evaluated the effect of oversampling in the feature space for SAR ship classification. We propose two novel algorithms inspired by the Major-to-minor (M2m) method M2m$_f$, M2m$_u$. The algorithms are tested on two public datasets, OpenSARShip (6 classes) and FuSARShip (9 classes), using three state-of-the-art models as feature extractors: ViT, VGG16, and ResNet50. Additionally, we also analyzed the impact of oversampling methods on different class sizes. The results demonstrated the effectiveness of our novel methods over the original M2m and baselines, with an average F1-score increase of 8.82% for FuSARShip and 4.44% for OpenSARShip.
• Abstract（参考訳）: SARの船種分類は、あまり表現されていないクラスの分類を複雑にする長い尾のデータセットの課題に直面している。 オーバーサンプリング法は、光学データにおけるクラス不均衡に対処するのに有効であることが証明されている。 本稿では,SAR船種別の特徴空間におけるオーバーサンプリングの効果について検討した。 本稿では,M2m$_f$,M2m$_u$,Major-to-minor(M2m)法にヒントを得た2つの新しいアルゴリズムを提案する。 アルゴリズムはOpenSARShip(6クラス)とFuSARShip(9クラス)の2つの公開データセットでテストされ、3つの最先端モデルを特徴抽出子として、ViT、VGG16、ResNet50を使用する。 さらに,オーバーサンプリング手法が異なるクラスサイズに与える影響についても分析した。 その結果,F1スコアはFuSARShipが8.82%,OpenSARShipが4.44%向上した。

関連論文リスト

• Enhancing Synthetic Oversampling for Imbalanced Datasets Using Proxima-Orion Neighbors and q-Gaussian Weighting Technique [0.16385815610837165]
  不均衡なデータセットにおけるマイノリティクラスのインスタンス数を増やすための新しいオーバーサンプリングアルゴリズムを提案する。 我々は、相対距離重みと多数クラスインスタンスの密度推定の組み合わせに基づいて、すべての少数クラスのインスタンスの集合からプロキシとオリオンの2つのインスタンスを選択する。 提案手法の有効性を評価するため,KEELソフトウェアから抽出した42データセットとUCI MLリポジトリから抽出した8データセットについて総合的な実験を行った。
  論文  参考訳（メタデータ） (2025-01-27T05:34:19Z)
• SDF2Net: Shallow to Deep Feature Fusion Network for PolSAR Image Classification [1.2349871196144497]
  畳み込みニューラルネットワーク(CNN)は, PolSAR画像の特徴を捉える上で重要な役割を担っている。 本研究では,PolSAR画像分類において,Shallow to Deep Feature Fusion Network (SDF2Net) と呼ばれる複素数値CNNの3分岐融合を提案する。 その結果、提案手法は全体的な精度の向上を示し、AIRSARデータセットは1.3%、0.8%、ESARデータセットは0.5%向上した。
  論文  参考訳（メタデータ） (2024-02-27T16:46:21Z)
• Less is More: Fewer Interpretable Region via Submodular Subset Selection [54.07758302264416]
  本稿では,上述の画像帰属問題を部分モジュラ部分選択問題として再モデル化する。 我々は、より正確な小さな解釈領域を発見するために、新しい部分モジュラー関数を構築する。 正しく予測されたサンプルに対しては,HSIC-Attributionに対する平均4.9%と2.5%の利得で,Deletion and Insertionスコアを改善した。
  論文  参考訳（メタデータ） (2024-02-14T13:30:02Z)
• Intra-class Adaptive Augmentation with Neighbor Correction for Deep Metric Learning [99.14132861655223]
  深層学習のためのクラス内適応拡張(IAA)フレームワークを提案する。 クラスごとのクラス内変動を合理的に推定し, 適応型合成試料を生成し, 硬質試料の採掘を支援する。 本手法は,検索性能の最先端手法を3%～6%向上させる。
  論文  参考訳（メタデータ） (2022-11-29T14:52:38Z)
• Improving Calibration for Long-Tailed Recognition [68.32848696795519]
  このようなシナリオにおけるキャリブレーションとパフォーマンスを改善する2つの方法を提案します。 異なるサンプルによるデータセットバイアスに対して,シフトバッチ正規化を提案する。 提案手法は,複数の長尾認識ベンチマークデータセットに新しいレコードをセットする。
  論文  参考訳（メタデータ） (2021-04-01T13:55:21Z)
• A Novel Resampling Technique for Imbalanced Dataset Optimization [1.0323063834827415]
  まれなイベントの分類は、詐欺取引、マルウェアトラフィック分析、ネットワーク侵入検出など、多くのドメインで一般的な問題です。 我々は,クラス不均衡問題に対処する2種類の1-Nearest Neighbour (G1Nos)オーバーサンプリングアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-12-30T17:17:08Z)
• Towards Better Object Detection in Scale Variation with Adaptive Feature Selection [3.5352273012717044]
  チャネル次元の多レベル表現を融合する方法を自動学習する新しい適応的特徴選択モジュール(AFSM)を提案する。 これは、特徴ピラミッド構造を持つ検出器の性能を著しく向上させる。 クラス不均衡問題に対処するために,クラス対応サンプリング機構(CASM)を提案する。
  論文  参考訳（メタデータ） (2020-12-06T13:41:20Z)
• A Method for Handling Multi-class Imbalanced Data by Geometry based Information Sampling and Class Prioritized Synthetic Data Generation (GICaPS) [15.433936272310952]
  本稿では,多ラベル分類問題における不均衡データ処理の問題について考察する。 特徴ベクトル間の幾何学的関係を利用する2つの新しい手法が提案されている。 提案手法の有効性は,汎用的なマルチクラス認識問題を解くことによって解析する。
  論文  参考訳（メタデータ） (2020-10-11T04:04:26Z)
• Capturing scattered discriminative information using a deep architecture in acoustic scene classification [49.86640645460706]
  本研究では,識別情報を捕捉し,同時に過度に適合する問題を緩和する様々な手法について検討する。 我々は、ディープニューラルネットワークにおける従来の非線形アクティベーションを置き換えるために、Max Feature Map法を採用する。 2つのデータ拡張方法と2つの深いアーキテクチャモジュールは、システムの過度な適合を減らし、差別的なパワーを維持するためにさらに検討されている。
  論文  参考訳（メタデータ） (2020-07-09T08:32:06Z)

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。