論文の概要: CloudMatch: Weak-to-Strong Consistency Learning for Semi-Supervised Cloud Detection

• arxiv url: http://arxiv.org/abs/2601.03528v1
• Date: Wed, 07 Jan 2026 02:31:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-09 02:15:23.174304
• Title: CloudMatch: Weak-to-Strong Consistency Learning for Semi-Supervised Cloud Detection
• Title（参考訳）: CloudMatch: 半スーパービジョンのクラウド検出のための弱から強の一貫性学習
• Authors: Jiayi Zhao, Changlu Chen, Jingsheng Li, Tianxiang Xue, Kun Zhan,
• Abstract要約: CloudMatchは、ラベルのないリモートセンシングイメージを効果的に活用する、半教師付きフレームワークである。 我々の重要な洞察は、様々な拡張ビューにまたがって予測一貫性を強制し、シーン間混合とシーン内混合の両方を取り入れることである。 実験の結果、CloudMatchはパフォーマンスが良く、ラベルのないデータを効率的に活用できることが示されている。
• 参考スコア（独自算出の注目度）: 10.250611987029254
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Due to the high cost of annotating accurate pixel-level labels, semi-supervised learning has emerged as a promising approach for cloud detection. In this paper, we propose CloudMatch, a semi-supervised framework that effectively leverages unlabeled remote sensing imagery through view-consistency learning combined with scene-mixing augmentations. An observation behind CloudMatch is that cloud patterns exhibit structural diversity and contextual variability across different scenes and within the same scene category. Our key insight is that enforcing prediction consistency across diversely augmented views, incorporating both inter-scene and intra-scene mixing, enables the model to capture the structural diversity and contextual richness of cloud patterns. Specifically, CloudMatch generates one weakly augmented view along with two complementary strongly augmented views for each unlabeled image: one integrates inter-scene patches to simulate contextual variety, while the other employs intra-scene mixing to preserve semantic coherence. This approach guides pseudolabel generation and enhances generalization. Extensive experiments show that CloudMatch achieves good performance, demonstrating its capability to utilize unlabeled data efficiently and advance semi-supervised cloud detection.
• Abstract（参考訳）: 正確なピクセルレベルのラベルをアノテートするコストが高いため、半教師付き学習がクラウド検出の有望なアプローチとして登場した。 本稿では,シーンミキシングと組み合わせたビュー一貫性学習により,ラベルのないリモートセンシングイメージを効果的に活用する,半教師付きフレームワークであるCloudMatchを提案する。 CloudMatchの背後にある観察では、クラウドパターンは、異なるシーンと同じシーンカテゴリにおいて、構造的多様性とコンテキスト的多様性を示す。 我々の重要な洞察は、様々な拡張ビューにまたがって予測一貫性を強制し、シーン間混合とシーン内混合の両方を取り入れることで、このモデルがクラウドパターンの構造的多様性とコンテキスト的リッチネスを捉えることができるということである。 具体的には、CloudMatchは1つの弱い拡張ビューと2つの補完的な強化ビューを生成します。 このアプローチは擬似ラベル生成をガイドし、一般化を促進する。 大規模な実験により、CloudMatchは優れたパフォーマンスを実現し、ラベルのないデータを効率的に利用し、半教師付きクラウド検出を前進させる能力を示している。

関連論文リスト

• Weakly Supervised Cloud Detection Combining Spectral Features and Multi-Scale Deep Network [12.520904004953344]
  本稿では,スペクトル特徴とマルチスケールシーンレベル深層ネットワーク(SpecMCD)を組み合わせた弱教師付きクラウド検出手法を提案する。 提案手法のF1スコアは7.82%以上の改善を示し,クラウド検出におけるSpecMCD法の優位性と可能性を強調した。
  論文  参考訳（メタデータ） (2025-10-01T08:32:49Z)
• Masked Clustering Prediction for Unsupervised Point Cloud Pre-training [61.11226004056774]
  MaskCluは、3Dポイントクラウド上でのViTの教師なし事前トレーニング手法である。 マスク付きポイントモデリングとクラスタリングベースの学習を統合している。
  論文  参考訳（メタデータ） (2025-08-12T12:58:44Z)
• Towards Fusing Point Cloud and Visual Representations for Imitation Learning [57.886331184389604]
  本稿では,ポイントクラウドとRGBの両特性を効果的に組み合わせた新しい模倣学習手法であるFPV-Netを提案する。 適応層ノルム条件付けを用いて,グローバルおよびローカル画像トークン上のポイントクラウドエンコーダを条件付けする。
  論文  参考訳（メタデータ） (2025-02-17T20:46:54Z)
• See More and Know More: Zero-shot Point Cloud Segmentation via Multi-modal Visual Data [22.53879737713057]
  ゼロショットポイントクラウドセグメンテーションは、トレーニングフェーズで目に見えないポイントクラウド内の新しいオブジェクトを認識することができるディープモデルを作ることを目的としている。 本稿では,点群と画像の相補的な情報をより正確な視覚・意味的アライメントに活用するための,新しいマルチモーダルゼロショット学習法を提案する。
  論文  参考訳（メタデータ） (2023-07-20T11:32:51Z)
• Contrastive Predictive Autoencoders for Dynamic Point Cloud Self-Supervised Learning [26.773995001469505]
  我々は、より包括的な表現を協調的に学習するために、ポイントクラウドシーケンスに基づくコントラスト予測と再構成(CPR)を設計する。 我々は4点のクラウドシークエンスベンチマークで実験を行い、その結果を複数の実験環境下で報告する。
  論文  参考訳（メタデータ） (2023-05-22T12:09:51Z)
• EPCL: Frozen CLIP Transformer is An Efficient Point Cloud Encoder [60.52613206271329]
  本稿では,冷凍CLIP変換器を用いて高品質のクラウドモデルをトレーニングするための textbfEfficient textbfPoint textbfCloud textbfLearning (EPCL) を提案する。 我々のEPCLは、2D-3Dデータをペア化せずに画像の特徴と点雲の特徴を意味的に整合させることで、2Dと3Dのモダリティを接続する。
  論文  参考訳（メタデータ） (2022-12-08T06:27:11Z)
• Data Augmentation-free Unsupervised Learning for 3D Point Cloud Understanding [61.30276576646909]
  ソフトクラスタリング(SoftClu)と呼ばれる,移動可能な点レベルの特徴を学習するための,ポイントクラウドに対する拡張不要な教師なしアプローチを提案する。 我々は,クラスタに対するポイントのアフィリエイトをプロキシとして利用し,擬似ラベル予測タスクを通じて自己学習を可能にする。
  論文  参考訳（メタデータ） (2022-10-06T10:18:16Z)
• ImLoveNet: Misaligned Image-supported Registration Network for Low-overlap Point Cloud Pairs [14.377604289952188]
  対の点雲間の低オーバーラップ領域は、捕獲された特徴を非常に低信頼にする。 我々は,ImLoveNetと呼ばれる低オーバーラップ点雲対に対する画像対応登録ネットワークを提案する。
  論文  参考訳（メタデータ） (2022-07-02T13:17:34Z)
• Unsupervised Representation Learning for 3D Point Cloud Data [66.92077180228634]
  我々は、教師なしのポイントクラウド学習に対して、シンプルで効果的なアプローチを提案する。 特に、原点雲の優れたコントラストバージョンを生成する非常に有用な変換を同定する。 本研究では,3次元オブジェクト分類,形状部分分割,シーン分割の3つの下流タスクについて実験を行った。
  論文  参考訳（メタデータ） (2021-10-13T10:52:45Z)
• Single Image Cloud Detection via Multi-Image Fusion [23.641624507709274]
  アルゴリズム開発における主な課題は、注釈付きトレーニングデータを集めるコストである。 マルチイメージフュージョンの最近の進歩が、シングルイメージクラウド検出のブートストラップにどのように活用できるかを実証する。 我々は、ランドカバー用のピクセルごとのセマンティックラベリングとともに、Sentinel-2画像の大規模なデータセットを収集した。
  論文  参考訳（メタデータ） (2020-07-29T22:52:28Z)

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。