論文の概要: A deep multiple instance learning approach based on coarse labels for high-resolution land-cover mapping

• arxiv url: http://arxiv.org/abs/2510.06769v1
• Date: Wed, 08 Oct 2025 08:50:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-09 16:41:20.372741
• Title: A deep multiple instance learning approach based on coarse labels for high-resolution land-cover mapping
• Title（参考訳）: 高分解能土地被覆マッピングのための粗いラベルに基づく深層多重学習手法
• Authors: Gianmarco Perantoni, Lorenzo Bruzzone,
• Abstract要約: トレーニングラベルの量と品質は、高解像度の土地被覆マッピングにおける中心的な問題である。 画素レベルのマルチクラス分類器を訓練し,低解像度ラベルを予測する手法を提案する。
• 参考スコア（独自算出の注目度）: 13.80382608774738
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The quantity and the quality of the training labels are central problems in high-resolution land-cover mapping with machine-learning-based solutions. In this context, weak labels can be gathered in large quantities by leveraging on existing low-resolution or obsolete products. In this paper, we address the problem of training land-cover classifiers using high-resolution imagery (e.g., Sentinel-2) and weak low-resolution reference data (e.g., MODIS -derived land-cover maps). Inspired by recent works in Deep Multiple Instance Learning (DMIL), we propose a method that trains pixel-level multi-class classifiers and predicts low-resolution labels (i.e., patch-level classification), where the actual high-resolution labels are learned implicitly without direct supervision. This is achieved with flexible pooling layers that are able to link the semantics of the pixels in the high-resolution imagery to the low-resolution reference labels. Then, the Multiple Instance Learning (MIL) problem is re-framed in a multi-class and in a multi-label setting. In the former, the low-resolution annotation represents the majority of the pixels in the patch. In the latter, the annotation only provides us information on the presence of one of the land-cover classes in the patch and thus multiple labels can be considered valid for a patch at a time, whereas the low-resolution labels provide us only one label. Therefore, the classifier is trained with a Positive-Unlabeled Learning (PUL) strategy. Experimental results on the 2020 IEEE GRSS Data Fusion Contest dataset show the effectiveness of the proposed framework compared to standard training strategies.
• Abstract（参考訳）: トレーニングラベルの量と品質は、機械学習ベースのソリューションを用いた高解像度土地被覆マッピングにおける中心的な問題である。 この文脈では、弱いラベルは、既存の低解像度または老朽化した製品を利用して大量に収集することができる。 本稿では,高解像度画像(例:Sentinel-2)と低解像度参照データ(例:MODIS由来の土地被覆地図)を用いた土地被覆分類器の訓練問題に対処する。 DMIL(Deep Multiple Instance Learning)の最近の研究に触発された本研究では,画素レベルのマルチクラス分類を訓練し,実際の高解像度ラベルを直接監督することなく暗黙的に学習する,低解像度ラベル(パッチレベル分類)を予測する手法を提案する。 これは、高解像度画像中のピクセルのセマンティクスを低解像度参照ラベルにリンクできる柔軟なプーリング層によって達成される。 次に、MIL(Multiple Instance Learning)問題は、マルチクラスおよびマルチラベル設定で再フレーム化される。 前者では、低解像度のアノテーションはパッチ内のピクセルの大部分を表す。 後者では、アノテーションはパッチ内のランドカバークラスの1つの存在に関する情報のみを提供するので、複数のラベルを一度にパッチに有効とみなすことができるが、低解像度ラベルは1つのラベルのみを提供する。 したがって、分類器はポジティブ・アンラベルラーニング(PUL)戦略で訓練される。 2020年のIEEE GRSS Data Fusion Contestデータセットの実験結果は、標準トレーニング戦略と比較して提案フレームワークの有効性を示している。

関連論文リスト

• UniDEC : Unified Dual Encoder and Classifier Training for Extreme Multi-Label Classification [42.59511319244973]
  Extreme Multi-label Classification (XMC) は非常に大きなラベル空間から関連するラベルのサブセットを予測する。 損失に依存しないエンドツーエンドのトレーニング可能なフレームワークであるUniDECを開発した。 UniDECは、数百万のラベルを持つデータセットで最先端の結果を達成する。
  論文  参考訳（メタデータ） (2024-05-04T17:27:51Z)
• Virtual Category Learning: A Semi-Supervised Learning Method for Dense Prediction with Extremely Limited Labels [63.16824565919966]
  本稿では,ラベルの修正を伴わずに,混乱したサンプルを積極的に使用することを提案する。 仮想カテゴリー(VC)は、モデルの最適化に安全に貢献できるように、各混乱したサンプルに割り当てられる。 私たちの興味深い発見は、密集した視覚タスクにおけるVC学習の利用に注目しています。
  論文  参考訳（メタデータ） (2023-12-02T16:23:52Z)
• Reliable Representation Learning for Incomplete Multi-View Missing Multi-Label Classification [78.15629210659516]
  本稿ではRANKと呼ばれる不完全なマルチビュー欠落型マルチラベル分類ネットワークを提案する。 既存の手法に固有のビューレベルの重みを分解し、各サンプルのビューに品質スコアを動的に割り当てる品質対応サブネットワークを提案する。 私たちのモデルは、完全なマルチビューマルチラベルデータを扱うだけでなく、欠落したインスタンスやラベルを持つデータセットでも処理できます。
  論文  参考訳（メタデータ） (2023-03-30T03:09:25Z)
• Handling Image and Label Resolution Mismatch in Remote Sensing [10.009103959118931]
  オーバヘッド画像とグラウンドトルースラベルソースの分解ミスマッチの処理方法を示す。 本稿では,低解像度ラベルを用いて教師される手法を提案する。 本手法は, 領域集約, 逆学習, 自己教師付き事前学習を取り入れ, 詳細な教師付き予測を生成する。
  論文  参考訳（メタデータ） (2022-11-28T21:56:07Z)
• Combining Metric Learning and Attention Heads For Accurate and Efficient Multilabel Image Classification [0.0]
  マルチラベル分類における2つの一般的なアプローチについて再検討する。 トランスフォーマーベースヘッドはグラフベースのブランチよりも優れた結果が得られると考えられるが、適切なトレーニング戦略により、グラフベースの手法はわずかに精度の低下を示すことができると論じる。
  論文  参考訳（メタデータ） (2022-09-14T12:06:47Z)
• Semi-supervised Object Detection via Virtual Category Learning [68.26956850996976]
  本稿では,ラベルの修正を伴わずに,混乱したサンプルを積極的に使用することを提案する。 具体的には、各混乱したサンプルに仮想圏(VC)が割り当てられる。 トレーニングサンプルと仮想カテゴリの間の埋め込み距離を指定することに起因する。
  論文  参考訳（メタデータ） (2022-07-07T16:59:53Z)
• A Deep Model for Partial Multi-Label Image Classification with Curriculum Based Disambiguation [42.0958430465578]
  部分多重ラベル(PML)画像分類問題について検討する。 既存のPMLメソッドは通常、ノイズの多いラベルをフィルタリングするための曖昧な戦略を設計する。 本稿では,PMLの表現能力と識別能力を高めるための深層モデルを提案する。
  論文  参考訳（メタデータ） (2022-07-06T02:49:02Z)
• Mixed Supervision Learning for Whole Slide Image Classification [88.31842052998319]
  超高解像度画像のための混合監視学習フレームワークを提案する。 パッチトレーニングの段階では、このフレームワークは、粗いイメージレベルのラベルを使用して、自己教師付き学習を洗練することができる。 画素レベルの偽陽性と偽陰性を抑制するための包括的な戦略が提案されている。
  論文  参考訳（メタデータ） (2021-07-02T09:46:06Z)

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。