Fugu-MT 論文翻訳(概要): Adaptive Gradient Calibration for Single-Positive Multi-Label Learning in Remote Sensing Image Scene Classification

論文の概要: Adaptive Gradient Calibration for Single-Positive Multi-Label Learning in Remote Sensing Image Scene Classification

arxiv url: http://arxiv.org/abs/2510.08269v1
Date: Thu, 09 Oct 2025 14:26:09 GMT
ステータス: 翻訳完了
システム内更新日: 2025-10-10 17:54:15.126602
Title: Adaptive Gradient Calibration for Single-Positive Multi-Label Learning in Remote Sensing Image Scene Classification
Title（参考訳）: リモートセンシング画像シーン分類における単一正のマルチラベル学習のための適応的勾配校正法
Authors: Chenying Liu, Gianmarco Perantoni, Lorenzo Bruzzone, Xiao Xiang Zhu,
Abstract要約: マルチラベル分類(MLC)は、リモートセンシング(RS)画像のより包括的なセマンティック理解を提供する。単一陽性多ラベル学習(SPML)が出現し,各画像に関連ラベルが1つだけアノテートされ,そのモデルがラベルの全集合を回復することが期待されている。本稿では,適応勾配(AdaGC)を,RS画像に適した新しい一般化可能なSPMLフレームワークとして提案する。
参考スコア（独自算出の注目度）: 20.29420915336209
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Multi-label classification (MLC) offers a more comprehensive semantic understanding of Remote Sensing (RS) imagery compared to traditional single-label classification (SLC). However, obtaining complete annotations for MLC is particularly challenging due to the complexity and high cost of the labeling process. As a practical alternative, single-positive multi-label learning (SPML) has emerged, where each image is annotated with only one relevant label, and the model is expected to recover the full set of labels. While scalable, SPML introduces significant supervision ambiguity, demanding specialized solutions for model training. Although various SPML methods have been proposed in the computer vision domain, research in the RS context remains limited. To bridge this gap, we propose Adaptive Gradient Calibration (AdaGC), a novel and generalizable SPML framework tailored to RS imagery. AdaGC adopts a gradient calibration (GC) mechanism combined with Mixup and a dual exponential moving average (EMA) module for robust pseudo-label generation. To maximize AdaGC's effectiveness, we introduce a simple yet theoretically grounded indicator to adaptively trigger GC after an initial warm-up stage based on training dynamics, thereby guaranteeing the effectiveness of GC in mitigating overfitting to label noise. Extensive experiments on two benchmark RS datasets under two distinct label noise types demonstrate that AdaGC achieves state-of-the-art (SOTA) performance while maintaining strong robustness across diverse settings.
Abstract（参考訳）: マルチラベル分類(MLC)は、従来のシングルラベル分類(SLC)と比較して、リモートセンシング(RS)画像のより包括的な意味理解を提供する。しかし, ラベル付けプロセスの複雑化と高コストのため, MLC の完全アノテーションの取得は特に困難である。実用的な代替手段として,各画像に関連ラベルを1つだけアノテートした単一陽性多ラベル学習(SPML)が登場し,そのモデルがラベルの完全な集合を回復することが期待されている。スケーラブルながら、SPMLは、モデルトレーニングのための特別なソリューションを要求する、重要な監視の曖昧さを導入します。コンピュータビジョン領域では様々なSPML手法が提案されているが、RSコンテキストの研究は限られている。このギャップを埋めるために、RS画像に適した新しい一般化可能なSPMLフレームワークであるAdaptive Gradient Calibration (AdaGC)を提案する。 AdaGCは、Mixupとデュアル指数移動平均(EMA)モジュールを組み合わせた勾配校正(GC)機構を採用して、堅牢な擬似ラベル生成を実現している。 AdaGCの有効性を最大化するために、トレーニングダイナミクスに基づく初期ウォームアップ段階の後にGCを適応的にトリガーするシンプルな基礎的な指標を導入し、ラベルノイズへの過度適合を緩和するGCの有効性を保証した。 2つの異なるラベルノイズタイプの下での2つのベンチマークRSデータセットの大規模な実験は、AdaGCがさまざまな設定で堅牢性を維持しつつ、最先端(SOTA)のパフォーマンスを達成することを実証している。

関連論文リスト

HyperTTA: Test-Time Adaptation for Hyperspectral Image Classification under Distribution Shifts [28.21559601586271]
HyperTTA (Test-Time Adaptable Transformer for Hyperspectral Degradation) は、様々な劣化条件下でモデルロバスト性を高める統一フレームワークである。テスト時の適応戦略である、信頼を意識したエントロピー最小化LayerNorm Adapter (CELA)は、LayerNorm層のアフィンパラメータのみを動的に更新する。 2つのベンチマークデータセットの実験では、HyperTTAがさまざまな劣化シナリオで最先端のベースラインを上回っていることが示されている。
論文参考訳（メタデータ） (2025-09-10T09:31:37Z)
AHDMIL: Asymmetric Hierarchical Distillation Multi-Instance Learning for Fast and Accurate Whole-Slide Image Classification [51.525891360380285]
AHDMILは非対称な階層的蒸留マルチインスタンス学習フレームワークである。 2段階のトレーニングプロセスを通じて、無関係なパッチを排除します。分類性能と推論速度の両方において、従来の最先端手法を一貫して上回っている。
論文参考訳（メタデータ） (2025-08-07T07:47:16Z)
Unbiased Max-Min Embedding Classification for Transductive Few-Shot Learning: Clustering and Classification Are All You Need [83.10178754323955]
わずかなショットラーニングにより、モデルがいくつかのラベル付き例から一般化できる。本稿では,Unbiased Max-Min Embedding Classification (UMMEC)法を提案する。本手法は最小ラベル付きデータを用いて分類性能を著しく向上させ, 注釈付きLの最先端化を推し進める。
論文参考訳（メタデータ） (2025-03-28T07:23:07Z)
Transformer-Driven Active Transfer Learning for Cross-Hyperspectral Image Classification [3.087068801861429]
ハイパースペクトル画像(HSI)分類は、高スペクトル次元、重要な領域シフト、ラベル付きデータの可用性の制限による固有の課題を示す。本稿では,空間スペクトル変換器(SST)のバックボーン上に構築された,新しいアクティブトランスファー学習(ATL)フレームワークを提案する。このフレームワークは多段階移動学習と不確実性多様性駆動型能動学習機構を統合する。
論文参考訳（メタデータ） (2024-11-27T07:53:39Z)
Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
論文参考訳（メタデータ） (2023-12-26T12:56:31Z)
Slot-Mixup with Subsampling: A Simple Regularization for WSI Classification [13.286360560353936]
全スライド画像 (WSI) の分類は, がんの診断に関係のある症例は少ないが, 病理医には繰り返しズームイン, アウトが必要である。パッチレベルのラベルがないため、多重インスタンス学習(MIL)はWSI分類器をトレーニングするための一般的なプラクティスである。 MIL for WSIsの課題の1つは、スライドレベルのラベルから来る弱い監督力であり、しばしば過度なオーバーフィッティングをもたらすことである。我々のアプローチは、元のスライドの基盤となるセマンティクスを著しく変更することなく、WSIのパッチのサブセットをサンプリングすることで、トレーニングデータセットを強化します。
論文参考訳（メタデータ） (2023-11-29T09:18:39Z)
Deep Learning From Crowdsourced Labels: Coupled Cross-entropy Minimization, Identifiability, and Regularization [21.32957828106532]
ディープラーニングベースのエンドツーエンド(E2E)システムは、複数のアノテーションからノイズの多いクラウドソースラベルを使用する。多くのE2Eシステムは、複数のアノテータ特異的ラベル混乱'層でニューラル分類器を共同で訓練する。本研究は、CCEM基準とCCEMの2つの規則化された変種の性能保証を示す。
論文参考訳（メタデータ） (2023-06-05T22:21:26Z)
Multi-Granularity Denoising and Bidirectional Alignment for Weakly Supervised Semantic Segmentation [75.32213865436442]
本稿では,雑音ラベルと多クラス一般化問題を緩和するために,MDBAモデルを提案する。 MDBAモデルはPASCAL VOC 2012データセットの検証とテストセットにおいて69.5%と70.2%のmIoUに達することができる。
論文参考訳（メタデータ） (2023-05-09T03:33:43Z)
Learning in Imperfect Environment: Multi-Label Classification with Long-Tailed Distribution and Partial Labels [53.68653940062605]
新しいタスク, 部分ラベリングとLong-Tailed Multi-Label Classification (PLT-MLC) を導入する。その結果,ほとんどのLT-MLCとPL-MLCは劣化MLCの解決に失敗していることがわかった。 textbfCOrrection $rightarrow$ textbfModificattextbfIon $rightarrow$ balantextbfCe。
論文参考訳（メタデータ） (2023-04-20T20:05:08Z)
Open Vocabulary Multi-Label Classification with Dual-Modal Decoder on Aligned Visual-Textual Features [14.334304670606633]
本稿では,視覚的特徴とテキスト的特徴の整合性を備えた2次元デコーダ (DM-decoder) を含む新しいアルゴリズム,Aligned Dual MoDality ClaSsifier (ADDS) を提案する。 NUS-WIDE, ImageNet-1k, ImageNet-21k, MS-COCO など,いくつかの標準ベンチマークで実施された大規模な実験により,提案手法が従来の手法よりも大幅に優れていることが示された。
論文参考訳（メタデータ） (2022-08-19T22:45:07Z)
Learning Self-Supervised Low-Rank Network for Single-Stage Weakly and Semi-Supervised Semantic Segmentation [119.009033745244]
本稿では,単一段階弱教師付きセマンティックセマンティックセマンティックセマンティクス(WSSS)と半教師付きセマンティクスセマンティクスセマンティクス(SSSS)のための自己教師付き低ランクネットワーク(SLRNet)を提案する。 SLRNetは、画像の異なるビューから複数の注意深いLR表現を同時に予測し、正確な擬似ラベルを学習する。 Pascal VOC 2012、COCO、L2IDデータセットの実験では、SLRNetは最先端のWSSSメソッドとSSSSメソッドの両方で、さまざまな設定で優れています。
論文参考訳（メタデータ） (2022-03-19T09:19:55Z)

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。