論文の概要: Adaptive Multi-Scale Correlation Meta-Network for Few-Shot Remote Sensing Image Classification
- arxiv url: http://arxiv.org/abs/2601.12308v1
- Date: Sun, 18 Jan 2026 08:21:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-21 22:47:22.565778
- Title: Adaptive Multi-Scale Correlation Meta-Network for Few-Shot Remote Sensing Image Classification
- Title（参考訳）: Few-Shotリモートセンシング画像分類のための適応型マルチスケール相関メタネットワーク
- Authors: Anurag Kaushish, Ayan Sar, Sampurna Roy, Sudeshna Chakraborty, Prashant Trivedi, Tanupriya Choudhury, Kanav Gupta,
- Abstract要約: ラベル付きデータの不足,実質的なドメインシフト,オブジェクトのマルチスケールな性質など,リモートセンシングでの学習は依然として困難である。
アダプティブ・マルチスケール相関メタネットワーク(AMC-MetaNet)は,3つの重要なイノベーションを持つ軽量かつ強力なフレームワークである。
AMC-MetaNetは、様々なリモートセンシングデータセットの5ウェイ5ショット分類において86.65%の精度を達成している。
- 参考スコア（独自算出の注目度）: 1.9942405511683123
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Few-shot learning in remote sensing remains challenging due to three factors: the scarcity of labeled data, substantial domain shifts, and the multi-scale nature of geospatial objects. To address these issues, we introduce Adaptive Multi-Scale Correlation Meta-Network (AMC-MetaNet), a lightweight yet powerful framework with three key innovations: (i) correlation-guided feature pyramids for capturing scale-invariant patterns, (ii) an adaptive channel correlation module (ACCM) for learning dynamic cross-scale relationships, and (iii) correlation-guided meta-learning that leverages correlation patterns instead of conventional prototype averaging. Unlike prior approaches that rely on heavy pre-trained models or transformers, AMC-MetaNet is trained from scratch with only $\sim600K$ parameters, offering $20\times$ fewer parameters than ResNet-18 while maintaining high efficiency ($<50$ms per image inference). AMC-MetaNet achieves up to 86.65\% accuracy in 5-way 5-shot classification on various remote sensing datasets, including EuroSAT, NWPU-RESISC45, UC Merced Land Use, and AID. Our results establish AMC-MetaNet as a computationally efficient, scale-aware framework for real-world few-shot remote sensing.
- Abstract（参考訳）: リモートセンシングでの学習は、ラベル付きデータの不足、実質的なドメインシフト、地理空間オブジェクトのマルチスケールな性質の3つの要因により、依然として困難である。
これらの問題に対処するために、Adaptive Multi-Scale correlation Meta-Network (AMC-MetaNet)を紹介します。
一 スケール不変パターンを捉えるための相関誘導特徴ピラミッド
(II)動的クロススケール関係学習のための適応チャネル相関モジュール(ACCM)
三 従来のプロトタイプ平均化ではなく相関パターンを利用した相関誘導型メタラーニング。
重い事前トレーニングされたモデルやトランスフォーマーに依存する従来のアプローチとは異なり、AMC-MetaNetはわずか$\sim600K$パラメータでゼロからトレーニングされており、ResNet-18よりも20\times$少ないパラメータを提供し、高い効率(イメージ推論あたり$50$ms)を維持している。
AMC-MetaNetは、EuroSAT、NWPU-RESISC45、UC Merced Land Use、AIDを含む様々なリモートセンシングデータセットの5ウェイ5ショット分類において、最大86.65\%の精度を達成する。
本研究は,AMC-MetaNetを実世界の数発リモートセンシングのための,計算効率の良いスケールアウェアフレームワークとして確立した。
関連論文リスト
- GraphFusion3D: Dynamic Graph Attention Convolution with Adaptive Cross-Modal Transformer for 3D Object Detection [1.1106255381859969]
マルチモーダル融合と高度な特徴学習を組み合わせた統合フレームワークGraphFusion3Dを提案する。
本稿では,画像特徴を点表現に適応的に統合し,幾何学的情報と意味的情報の両方を充実させる適応型クロスモーダル変換器(ACMT)を提案する。
提案手法では,局所的な幾何学的構造とグローバルな意味的コンテキストを同時に捉えるために近傍関係をモデル化する新しいメカニズムであるグラフ推論モジュール(GRM)を導入する。
論文 参考訳（メタデータ） (2025-12-02T18:05:02Z) - FAMNet: Integrating 2D and 3D Features for Micro-expression Recognition via Multi-task Learning and Hierarchical Attention [0.0]
マイクロ表現認識(MER)は多くの分野において必須の応用価値を持つが,マイクロ表現認識(ME)の短期的・低強度化はMERに重大な課題をもたらす。
本稿では,2次元CNNと3次元CNNを組み合わせることで,MEsの全方位特徴を完全に抽出する,マルチタスク学習と階層的注意に基づく新しいMER手法を提案する。
大規模な実験結果から,提案するFAMNetはタスク性能を大幅に向上することが示された。
論文 参考訳（メタデータ） (2025-08-19T03:27:15Z) - A Lightweight Deep Learning Model for Automatic Modulation Classification using Dual Path Deep Residual Shrinkage Network [0.0]
自動変調分類(AMC)はスペクトル効率を高める上で重要な役割を果たしている。
低複雑性と高い分類精度のバランスをとる軽量AMCモデルの必要性が高まっている。
本稿では,資源制約エッジデバイスに最適化された低複雑さ,軽量深層学習(DL)AMCモデルを提案する。
論文 参考訳（メタデータ） (2025-07-07T00:37:54Z) - Data-Driven Object Tracking: Integrating Modular Neural Networks into a Kalman Framework [2.1369549137353805]
マルチオブジェクト追跡(MOT)における重要な課題に対処する3つのニューラルネットワーク(NN)モデルを導入する。
3つのネットワークはすべて、リアルタイムで組み込み環境で動作するように設計されている。
公的なKITTI追跡データセットを用いて評価を行った結果,追跡性能が大幅に向上したことが示された。
論文 参考訳（メタデータ） (2025-04-03T12:13:38Z) - ELGC-Net: Efficient Local-Global Context Aggregation for Remote Sensing Change Detection [65.59969454655996]
本稿では,変化領域を正確に推定するために,リッチな文脈情報を利用する効率的な変化検出フレームワークELGC-Netを提案する。
提案するELGC-Netは、リモートセンシング変更検出ベンチマークにおいて、最先端の性能を新たに設定する。
また,ELGC-Net-LWも導入した。
論文 参考訳（メタデータ） (2024-03-26T17:46:25Z) - Uncertainty Guided Adaptive Warping for Robust and Efficient Stereo
Matching [77.133400999703]
相関に基づくステレオマッチングは優れた性能を達成した。
固定モデルによる現在のメソッドは、さまざまなデータセットで均一に動作しない。
本稿では,ロバストなステレオマッチングのための相関を動的に計算する新しい視点を提案する。
論文 参考訳（メタデータ） (2023-07-26T09:47:37Z) - Class Anchor Margin Loss for Content-Based Image Retrieval [97.81742911657497]
距離学習パラダイムに該当する新しいレペラ・トラクタ損失を提案するが、ペアを生成する必要がなく、直接L2メトリックに最適化する。
CBIRタスクにおいて,畳み込みアーキテクチャと変圧器アーキテクチャの両方を用いて,少数ショットおよびフルセットトレーニングの文脈で提案した目的を評価する。
論文 参考訳（メタデータ） (2023-06-01T12:53:10Z) - Semantic Correspondence with Transformers [68.37049687360705]
本稿では,変換器を用いたコストアグリゲーション(CAT)を提案し,意味論的に類似した画像間の密接な対応を見出す。
初期相関マップと多レベルアグリゲーションを曖昧にするための外観親和性モデリングを含む。
提案手法の有効性を示す実験を行い,広範囲にわたるアブレーション研究を行った。
論文 参考訳（メタデータ） (2021-06-04T14:39:03Z) - MOTS R-CNN: Cosine-margin-triplet loss for multi-object tracking [2.8935588665357077]
マルチオブジェクトトラッキングの中心的なタスクの1つは、オブジェクトの意味的類似性と一致した距離メートル法を学習することである。
本稿では,コサイン・マージン・トラストティブ (CMC) とコサイン・マージン・トリップレット (CMT) の損失について,コントラスト型とトリプルト型の両方の損失関数を再構成することによって提案する。
次に,マルチオブジェクト追跡とセグメンテーションのためのMOTS R-CNNフレームワークを提案する。
論文 参考訳（メタデータ） (2021-02-06T05:03:29Z) - Multi-path Neural Networks for On-device Multi-domain Visual
Classification [55.281139434736254]
本稿では,モバイルデバイス上でのマルチドメイン視覚分類のためのマルチパスネットワークの自動学習手法を提案する。
提案するマルチパスネットワークは,各ドメインに1つの強化学習コントローラを適用して,MobileNetV3のような検索空間から生成されたスーパーネットワークの最適経路を選択することにより,ニューラルネットワーク検索から学習する。
決定されたマルチパスモデルは、個々のドメインパス内の非共有ノード内にドメイン固有のパラメータを保持しながら、共有ノード内のドメイン間でパラメータを選択的に共有する。
論文 参考訳（メタデータ） (2020-10-10T05:13:49Z)
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。