論文の概要: A class-driven hierarchical ResNet for classification of multispectral remote sensing images
- arxiv url: http://arxiv.org/abs/2510.08060v1
- Date: Thu, 09 Oct 2025 10:47:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-10 17:54:15.021136
- Title: A class-driven hierarchical ResNet for classification of multispectral remote sensing images
- Title（参考訳）: クラス駆動型階層型ResNetによるマルチスペクトルリモートセンシング画像の分類
- Authors: Giulio Weikmann, Gianmarco Perantoni, Lorenzo Bruzzone,
- Abstract要約: 本稿では,異なる意味クラスレベルでのマルチスペクトル画像の時系列(TS)分類をモデル化するために,クラス駆動型階層型残留ニューラルネットワーク(ResNet)を提案する。
我々は、階層的なペナルティマップを利用して、分類の非一貫性な階層的遷移を阻止する。
センチネル2号画像の月12回の合成でアマゾン林の2つのタイルから得られた実験結果から,階層的アプローチの有効性が示された。
- 参考スコア（独自算出の注目度）: 12.282079123411947
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This work presents a multitemporal class-driven hierarchical Residual Neural Network (ResNet) designed for modelling the classification of Time Series (TS) of multispectral images at different semantical class levels. The architecture consists of a modification of the ResNet where we introduce additional branches to perform the classification at the different hierarchy levels and leverage on hierarchy-penalty maps to discourage incoherent hierarchical transitions within the classification. In this way, we improve the discrimination capabilities of classes at different levels of semantic details and train a modular architecture that can be used as a backbone network for introducing new specific classes and additional tasks considering limited training samples available. We exploit the class-hierarchy labels to train efficiently the different layers of the architecture, allowing the first layers to train faster on the first levels of the hierarchy modeling general classes (i.e., the macro-classes) and the intermediate classes, while using the last ones to discriminate more specific classes (i.e., the micro-classes). In this way, the targets are constrained in following the hierarchy defined, improving the classification of classes at the most detailed level. The proposed modular network has intrinsic adaptation capability that can be obtained through fine tuning. The experimental results, obtained on two tiles of the Amazonian Forest on 12 monthly composites of Sentinel 2 images acquired during 2019, demonstrate the effectiveness of the hierarchical approach in both generalizing over different hierarchical levels and learning discriminant features for an accurate classification at the micro-class level on a new target area, with a better representation of the minoritarian classes.
- Abstract（参考訳）: 本研究では,異なる意味クラスレベルでのマルチスペクトル画像の時系列(TS)分類をモデル化する多時間クラス駆動型階層型残留ニューラルネットワーク(ResNet)を提案する。
アーキテクチャはResNetの修正によって構成され、異なる階層レベルで分類を行うために追加のブランチを導入し、階層のペナルティマップを利用して分類の非一貫性な階層的遷移を回避します。
このようにして、異なるレベルのセマンティックディテールでクラスを識別する能力を改善し、新しい特定のクラスを導入するためのバックボーンネットワークとして使用できるモジュールアーキテクチャをトレーニングし、利用可能な限られたトレーニングサンプルを考慮に入れたタスクを追加する。
クラス階層ラベルを利用して、アーキテクチャの異なるレイヤを効率的にトレーニングし、階層モデリングジェネラルクラス(マクロクラス)と中間クラス(マクロクラス)の第一レベルにおいて、最初のレイヤがより高速にトレーニングできるようにし、最後のレイヤを使用してより特定のクラス(マイクロクラス)を識別します。
このように、ターゲットは定義された階層に従って制約を受け、最も詳細なレベルでクラスの分類を改善します。
提案するモジュールネットワークは,微調整による固有適応能力を有する。
2019年に取得されたセンチネル2画像の12の月次合成について、アマゾンの森の2つのタイルで得られた実験結果は、異なる階層レベルの一般化における階層的アプローチの有効性と、新しいターゲット領域のマイクロクラスレベルでの正確な分類のための識別的特徴の両方について、マイノリティ階級の表現がより優れていることを示した。
関連論文リスト
- A Semantics-Aware Hierarchical Self-Supervised Approach to Classification of Remote Sensing Images [12.282079123411947]
本稿では,階層的特徴と関係を学習するためのセマンティックス・アウェア・ヒエラルキー・コンセンサス(SAHC)手法を提案する。
SAHC法は、階層的な複雑さの異なる3つのベンチマークデータセットで評価される。
実験により,ネットワーク学習の指導における提案手法の有効性と,リモートセンシング画像分類タスクにおける階層的コンセンサスの有効性が示された。
論文 参考訳（メタデータ） (2025-10-06T15:30:39Z) - Feature Identification for Hierarchical Contrastive Learning [7.655211354400059]
本稿では,2つの新しい階層型コントラスト学習法を提案する。
提案手法は,階層レベルのクラス間関係と不均衡なクラス分布を明示的にモデル化する。
提案手法は,線形評価における最先端性能を実現し,既存の階層的コントラスト学習法を精度で2ポイント向上させる。
論文 参考訳（メタデータ） (2025-10-01T12:46:47Z) - Hierarchical Representation Matching for CLIP-based Class-Incremental Learning [80.2317078787969]
クラスインクリメンタルラーニング(Class-Incremental Learning, CIL)は、進化するデータストリームに継続的に適応可能なモデルを提供することを目的とする。
事前訓練された視覚言語モデル(例えばCLIP)の最近の進歩は、このタスクの強力な基盤を提供する。
本稿では,CLIPベースのCILのためのHiErarchical Representation MAtchiNg(HERMAN)を紹介する。
論文 参考訳（メタデータ） (2025-09-26T17:59:51Z) - How Deep Neural Networks Learn Compositional Data: The Random Hierarchy Model [47.617093812158366]
言語と画像の階層構造にインスパイアされた合成タスクのファミリーであるランダム階層モデルを紹介する。
深層ネットワークは、等価なグループを交換するために不変な内部表現を開発することでタスクを学習する。
この結果から, ネットワークは次元の呪いを克服し, 不変表現を構築できることが示唆された。
論文 参考訳（メタデータ） (2023-07-05T09:11:09Z) - A Capsule Network for Hierarchical Multi-Label Image Classification [2.507647327384289]
階層的な多ラベル分類は、階層構造や分類に基づくより小さな分類に分類された多クラス画像分類問題に適用される。
階層分類のためのマルチラベルカプセルネットワーク(ML-CapsNet)を提案する。
論文 参考訳（メタデータ） (2022-09-13T04:17:08Z) - Hierarchical Variational Memory for Few-shot Learning Across Domains [120.87679627651153]
本稿では,プロトタイプの各レベルが階層メモリから対応する情報を取得する階層型プロトタイプモデルを提案する。
このモデルには、ドメインシフトの状況が要求される場合、異なるセマンティックレベルの機能を柔軟に依存する能力が備わっている。
モデルにおける各コンポーネントの有効性を示すために、徹底的なアブレーション研究を行っている。
論文 参考訳（メタデータ） (2021-12-15T15:01:29Z) - Inducing a hierarchy for multi-class classification problems [11.58041597483471]
分類的ラベルが自然な階層に従ったアプリケーションでは、ラベル構造を利用する分類方法は、そうでないものをしばしば上回る。
本稿では,フラット分類器に対する分類性能を向上できる階層構造を誘導する手法のクラスについて検討する。
原理シミュレーションと3つの実データアプリケーションにおいて、潜入階層の発見と精度向上のためのメソッドのクラスの有効性を実証する。
論文 参考訳（メタデータ） (2021-02-20T05:40:42Z) - Equivalent Classification Mapping for Weakly Supervised Temporal Action
Localization [92.58946210982411]
微弱に監督された時間的行動の局所化は近年、新しく広く研究されているトピックである。
事前分類パイプラインは、まず、各ビデオスニペットの分類を行い、次いで、スニペットレベルの分類スコアを集約して、ビデオレベルの分類スコアを得る。
後分類パイプラインは、まずスニペットレベルの特徴を集約し、集約された特徴に基づいてビデオレベルの分類スコアを予測する。
論文 参考訳（メタデータ） (2020-08-18T03:54:56Z) - Learn Class Hierarchy using Convolutional Neural Networks [0.9569316316728905]
画像の階層的分類のための新しいアーキテクチャを提案し、クロスエントロピー損失関数と中心損失を組み合わせた深層線形層を導入する。
階層型分類器は,コンピュータビジョンタスクへの応用を見出す従来の分類手法の利点を示す。
論文 参考訳（メタデータ） (2020-05-18T12:06:43Z) - Fine-Grained Visual Classification with Efficient End-to-end
Localization [49.9887676289364]
本稿では,エンド・ツー・エンドの設定において,分類ネットワークと融合可能な効率的なローカライゼーションモジュールを提案する。
我々は,CUB200-2011,Stanford Cars,FGVC-Aircraftの3つのベンチマークデータセット上で,新しいモデルを評価する。
論文 参考訳（メタデータ） (2020-05-11T14:07:06Z)
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。