論文の概要: Dynamic Class-Aware Active Learning for Unbiased Satellite Image Segmentation
- arxiv url: http://arxiv.org/abs/2604.08965v1
- Date: Fri, 10 Apr 2026 05:08:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-13 17:57:53.694269
- Title: Dynamic Class-Aware Active Learning for Unbiased Satellite Image Segmentation
- Title（参考訳）: 衛星画像分割のための動的クラス認識能動学習
- Authors: Gadi Hemanth Kumar, Athira Nambiar, Pankaj Bodani,
- Abstract要約: 動的クラス認識不確実性に基づくアクティブラーニング(DCAU-AL)を提案する。
DCAU-ALは、リアルタイムなクラスワイドパフォーマンスギャップに基づくサンプル選択を優先し、クラスバランス問題を克服する。
- 参考スコア（独自算出の注目度）: 1.299941371793082
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Semantic segmentation of satellite imagery plays a vital role in land cover mapping and environmental monitoring. However, annotating large-scale, high-resolution satellite datasets is costly and time consuming, especially when covering vast geographic regions. Instead of randomly labeling data or exhaustively annotating entire datasets, Active Learning (AL) offers an efficient alternative by intelligently selecting the most informative samples for annotation with the help of Human-in-the-loop (HITL), thereby reducing labeling costs while maintaining high model performance. AL is particularly beneficial for large-scale or resource-constrained satellite applications, as it enables high segmentation accuracy with significantly fewer labeled samples. Despite these advantages, standard AL strategies typically rely on global uncertainty or diversity measures and lack the adaptability to target underperforming or rare classes as training progresses, leading to bias in the system. To overcome these limitations, we propose a novel adaptive acquisition function, Dynamic Class-Aware Uncertainty based Active learning (DCAU-AL) that prioritizes sample selection based on real-time class-wise performance gaps, thereby overcoming class-imbalance issue. The proposed DCAU-AL mechanism continuously tracks the performance of the segmentation per class and dynamically adjusts the sampling weights to focus on poorly performing or underrepresented classes throughout the active learning process. Extensive experiments on the OpenEarth land cover dataset show that DCAU-AL significantly outperforms existing AL methods, especially under severe class imbalance, delivering superior per-class IoU and improved annotation efficiency.
- Abstract（参考訳）: 衛星画像のセマンティックセグメンテーションは、土地被覆地図や環境モニタリングにおいて重要な役割を担っている。
しかし、大規模で高解像度の衛星データセットに注釈をつけるのは、特に広大な地理的領域をカバーする場合、費用と時間を要する。
データをランダムにラベル付けしたり、データセット全体を徹底的に注釈付けする代わりに、Active Learning (AL)は、Human-in-the-loop (HITL)の助けを借りて、アノテーションの最も情報性の高いサンプルをインテリジェントに選択することで、高いモデルパフォーマンスを維持しながらラベリングコストを削減する、効率的な代替手段を提供する。
ALは、ラベル付きサンプルを著しく少なくして高いセグメンテーション精度を実現するため、大規模または資源制約の衛星用途に特に有用である。
これらの利点にもかかわらず、標準的なAL戦略は一般的に世界的な不確実性や多様性の尺度に頼り、訓練が進むにつれて過小評価や希少なクラスをターゲットにする適応性が欠如し、システムのバイアスにつながる。
これらの制約を克服するために,動的クラス認識不確実性に基づくアクティブ学習(DCAU-AL)を提案する。
提案したDCAU-AL機構は,授業ごとのセグメンテーションのパフォーマンスを継続的に追跡し,サンプリング重量を動的に調整し,アクティブな学習プロセスを通じて,パフォーマンスの悪いクラスや表現不足クラスにフォーカスする。
OpenEarthの土地被覆データセットの大規模な実験により、DCAU-ALは既存のAL法、特に厳密なクラス不均衡下では著しく優れており、クラスごとのIoUよりも優れ、アノテーション効率が向上していることが示された。
関連論文リスト
- Hierarchical Semi-Supervised Active Learning for Remote Sensing [20.305328912143054]
半教師付き学習(SSL)と新しい階層型アクティブ学習(HAL)を統合した階層型半教師付きアクティブラーニング(HSSAL)フレームワークを提案する。
各イテレーションでSSLは、教師付き学習と弱い自己学習を通じてラベル付きデータとラベルなしデータの両方を使用してモデルを洗練し、特徴表現の改善と不確実性推定を行う。
UCM、AID、NWPU-RESISC45を含む3つのベンチマークRSシーン分類データセットの実験は、HSSALがSSLまたはALのみのベースラインを一貫して上回ることを示した。
論文 参考訳（メタデータ） (2025-11-22T13:25:42Z) - Unsupervised Active Learning via Natural Feature Progressive Framework [8.553846772569521]
Natural Feature Progressive Framework (NFPF)は、サンプルの重要度を測定する方法に革命をもたらすUAL手法である。
NFPFは、モデルパフォーマンスに対する各サンプルの貢献を効果的に定量化するために、特定特徴学習マシン(SFLM)を使用している。
包括的実験の結果,NFPFは既存のUAL手法を著しく上回り,視覚データセット上の教師付きAL手法と同等の性能を発揮することがわかった。
論文 参考訳（メタデータ） (2025-10-06T15:44:33Z) - Propensity-driven Uncertainty Learning for Sample Exploration in Source-Free Active Domain Adaptation [19.620523416385346]
ソースフリーアクティブドメイン適応(SFADA)は、ソースデータにアクセスせずに、トレーニング済みのモデルを新しいドメインに適応するという課題に対処する。
このシナリオは、データプライバシ、ストレージ制限、ラベル付けコストが重要な懸念事項である現実世界のアプリケーションに特に関係している。
Propensity-driven Uncertainty Learning (ProULearn) フレームワークを提案する。
論文 参考訳（メタデータ） (2025-01-23T10:05:25Z) - Maximally Separated Active Learning [32.98415531556376]
固定等角超球面点をクラスプロトタイプとして利用する能動的学習法を提案する。
5つのベンチマークデータセットにまたがる既存のアクティブラーニング技術よりも高いパフォーマンスを示す。
論文 参考訳（メタデータ） (2024-11-26T14:02:43Z) - Uncertainty Aware Learning for Language Model Alignment [97.36361196793929]
異なるタスクシナリオのモデルアライメントを改善するために,不確実性認識学習(UAL)を提案する。
トレーニングのラベルの平滑化値を個々のサンプルの不確実性に応じて適応的に設定する。
広く使われているベンチマーク実験では、我々のUALは標準教師あり微調整よりも著しく優れています。
論文 参考訳（メタデータ） (2024-06-07T11:37:45Z) - Learning Objective-Specific Active Learning Strategies with Attentive
Neural Processes [72.75421975804132]
学び アクティブラーニング(LAL)は、アクティブラーニング戦略自体を学ぶことを提案し、与えられた設定に適応できるようにする。
能動学習問題の対称性と独立性を利用した新しい分類法を提案する。
私たちのアプローチは、筋電図から学ぶことに基づいており、モデルに標準ではない目的に適応する能力を与えます。
論文 参考訳（メタデータ） (2023-09-11T14:16:37Z) - Open-Set Semi-Supervised Learning for 3D Point Cloud Understanding [62.17020485045456]
半教師付き学習(SSL)では、ラベル付きデータと同じ分布からラベル付きデータが引き出されることが一般的である。
サンプル重み付けによりラベルなしデータを選択的に活用することを提案する。
論文 参考訳（メタデータ） (2022-05-02T16:09:17Z) - CMW-Net: Learning a Class-Aware Sample Weighting Mapping for Robust Deep
Learning [55.733193075728096]
現代のディープニューラルネットワークは、破損したラベルやクラス不均衡を含むバイアス付きトレーニングデータに容易に適合する。
サンプル再重み付け手法は、このデータバイアス問題を緩和するために一般的に使用されている。
本稿では,データから直接明示的な重み付け方式を適応的に学習できるメタモデルを提案する。
論文 参考訳（メタデータ） (2022-02-11T13:49:51Z) - Active Learning at the ImageNet Scale [43.595076693347835]
本研究では,画像ネット上でのアクティブラーニング(AL)と事前学習(SSP)の組み合わせについて検討する。
学習者が選択したクラス不均衡なサンプルから,小型の玩具データセットのパフォーマンスがImageNetのパフォーマンスを表すものではないことが判明した。
本稿では、ランダムサンプリングを一貫して上回る、単純でスケーラブルなALアルゴリズムであるBa balanced Selection (BASE)を提案する。
論文 参考訳（メタデータ） (2021-11-25T02:48:51Z) - SCARF: Self-Supervised Contrastive Learning using Random Feature
Corruption [72.35532598131176]
本稿では,特徴のランダムなサブセットを乱してビューを形成するコントラスト学習手法であるSCARFを提案する。
SCARFは既存の戦略を補完し、オートエンコーダのような代替手段より優れていることを示す。
論文 参考訳（メタデータ） (2021-06-29T08:08:33Z)
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。