論文の概要: Mitigating representation bias caused by missing pixels in methane plume detection

• arxiv url: http://arxiv.org/abs/2510.19478v1
• Date: Wed, 22 Oct 2025 11:15:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:15.72932
• Title: Mitigating representation bias caused by missing pixels in methane plume detection
• Title（参考訳）: メタン配管検出における画素欠落による表現バイアスの緩和
• Authors: Julia Wąsala, Joannes D. Maasakkers, Ilse Aben, Rochelle Schneider, Holger Hoos, Mitra Baratchi,
• Abstract要約: 欠落画素は自動特徴抽出モデルにおける表現バイアスにつながる可能性がある。 メタンプラム検出におけるラベルと欠落値の数との急激な関係が,モデルにカバー範囲を関連づけることが示唆された。
• 参考スコア（独自算出の注目度）: 0.7138165941237656
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Most satellite images have systematically missing pixels (i.e., missing data not at random (MNAR)) due to factors such as clouds. If not addressed, these missing pixels can lead to representation bias in automated feature extraction models. In this work, we show that spurious association between the label and the number of missing values in methane plume detection can cause the model to associate the coverage (i.e., the percentage of valid pixels in an image) with the label, subsequently under-detecting plumes in low-coverage images. We evaluate multiple imputation approaches to remove the dependence between the coverage and a label. Additionally, we propose a weighted resampling scheme during training that removes the association between the label and the coverage by enforcing class balance in each coverage bin. Our results show that both resampling and imputation can significantly reduce the representation bias without hurting balanced accuracy, precision, or recall. Finally, we evaluate the capability of the debiased models using these techniques in an operational scenario and demonstrate that the debiased models have a higher chance of detecting plumes in low-coverage images.
• Abstract（参考訳）: ほとんどの衛星画像は、雲のような要因により、体系的に欠落したピクセル(MNARではないデータ)がある。 対応しない場合、これらの欠落したピクセルは自動特徴抽出モデルにおける表現バイアスにつながる可能性がある。 本研究は, メタンプラム検出におけるラベルと欠落値の数との急激な関係が, 対象範囲(すなわち, 画像中の有効画素の割合)とラベルを関連づける原因となり, 次いで低被覆画像中の低検出プラムを検出できることを示す。 カバーとラベルの依存性を除去するために,複数の計算手法を評価した。 さらに,ラベルとカバレッジの関係を,各カバレッジ・ビンのクラスバランスを強制することで除去する重み付きリサンプリング手法を提案する。 以上の結果から,再サンプリングとインプットの両方が,バランスの取れた精度,精度,リコールを損なうことなく,表現バイアスを大幅に低減できることが示された。 最後に,これらの手法を用いた脱バイアスモデルの性能を運用シナリオで評価し,脱バイアスモデルが低被覆画像のプルームを検出する確率が高いことを示す。

関連論文リスト

• Bayesian generative models can flag performance loss, bias, and out-of-distribution image content [15.835055687646507]
  生成モデルは、異常検出、特徴抽出、データの可視化、画像生成などの医療画像タスクに人気がある。 ディープラーニングモデルによってパラメータ化されているため、分散シフトに敏感であり、アウト・オブ・ディストリビューションデータに適用しても信頼できないことが多い。 我々は,インク,定規,パッチなどの分布外画像コンテンツを検出する画素ワイド不確実性を示す。
  論文  参考訳（メタデータ） (2025-03-21T18:45:28Z)
• Learning to Rank Patches for Unbiased Image Redundancy Reduction [80.93989115541966]
  画像は、隣接する領域の画素が空間的に相関しているため、空間的冗長性に悩まされる。 既存のアプローチでは、意味の少ない画像領域を減らし、この制限を克服しようとしている。 本稿では,Learning to Rank Patchesと呼ばれる画像冗長性低減のための自己教師型フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-31T13:12:41Z)
• DataElixir: Purifying Poisoned Dataset to Mitigate Backdoor Attacks via Diffusion Models [12.42597979026873]
  汚染されたデータセットを浄化するための新しい衛生手法であるDataElixirを提案する。 我々は拡散モデルを利用してトリガーの特徴を排除し、良性の特徴を復元し、毒を盛ったサンプルを良性のものに変える。 9つの人気のある攻撃で実施された実験は、DataElixirが様々な複雑な攻撃を効果的に軽減し、良識の正確さに最小限の影響を与えることを示した。
  論文  参考訳（メタデータ） (2023-12-18T09:40:38Z)
• N-pad : Neighboring Pixel-based Industrial Anomaly Detection [0.0]
  単クラス学習環境における異常検出とセグメンテーションのための新しい手法であるtextittextbfN-pad を提案する。 MVTec-ADでは異常検出に99.37のAUROC,異常セグメンテーションには98.75のAUROCが得られた。
  論文  参考訳（メタデータ） (2022-10-17T06:22:16Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• Incorporating Semi-Supervised and Positive-Unlabeled Learning for Boosting Full Reference Image Quality Assessment [73.61888777504377]
  フル参照(FR)画像品質評価(IQA)は、その知覚的差異をプリズム品質基準で測定することにより、歪み画像の視覚的品質を評価する。 ラベルなしデータは、画像劣化または復元プロセスから容易に収集することができ、ラベルなしのトレーニングデータを利用してFR-IQA性能を高めることを奨励する。 本稿では, 半教師付き, 正の未ラベル学習(PU)を用いて, ラベルなしデータを活用し, オフレーヤの悪影響を軽減することを提案する。
  論文  参考訳（メタデータ） (2022-04-19T09:10:06Z)
• Fully Convolutional Cross-Scale-Flows for Image-based Defect Detection [24.0966076588569]
  欠陥部分の画像サンプルを必要とせずに自動欠陥検出の問題に取り組む。 本稿では,異なるスケールの複数の特徴写像を共同で処理する,完全畳み込み型クロススケール正規化フロー(CS-Flow)を提案する。 ベンチマークデータセットであるMagnetic Tile DefectsとMVTec ADは、15クラス中4クラスで100%AUROCを示す。
  論文  参考訳（メタデータ） (2021-10-06T15:35:13Z)
• Salvage Reusable Samples from Noisy Data for Robust Learning [70.48919625304]
  本稿では,Web画像を用いた深部FGモデルのトレーニングにおいて,ラベルノイズに対処するための再利用可能なサンプル選択と修正手法を提案する。 私たちのキーとなるアイデアは、再利用可能なサンプルの追加と修正を行い、それらをクリーンな例とともに活用してネットワークを更新することです。
  論文  参考訳（メタデータ） (2020-08-06T02:07:21Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)

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。