論文の概要: Label-Decoupled Style Augmentation for Domain Generalization in Multi-Label Remote Sensing Scene Classification

• arxiv url: http://arxiv.org/abs/2607.12704v3
• Date: Mon, 20 Jul 2026 12:34:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 14:24:57.398774
• Title: Label-Decoupled Style Augmentation for Domain Generalization in Multi-Label Remote Sensing Scene Classification
• Title（参考訳）: マルチラベルリモートセンシングシーン分類におけるドメイン一般化のためのラベル分離型スタイル拡張
• Authors: Alaa Almouradi, Erchan Aptoula,
• Abstract要約: マルチラベル分類では、複数のラベルをそれぞれの空中シーンに割り当てるが、デプロイされたモデルはトレーニングとは異なるデータ分布に遭遇することが多い。 MixStyle, EFDMix, 相関型不確実性などの特徴統計の増大は, 低コストで一般化するが, チャネル統計を世界中に普及させる。 ラベルを分離した拡張フレームワークが提案され、ラベル固有の領域にスタイル摂動を収束させる。
• 参考スコア（独自算出の注目度）: 4.411658619208916
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-label classification assigns several co-occurring labels to each aerial scene, yet deployed models often encounter data distributions different from their training. Feature-statistics augmentation such as MixStyle, EFDMix, and correlated style uncertainty improves generalization at low cost but perturbs channel statistics globally, treating each image as a single style; one class can then contaminate the augmentation of another. Domain generalization is understudied for multi-label remote sensing; no prior method or multi-source benchmark targets it. A label-decoupled augmentation framework is therefore proposed, confining style perturbation to label-specific regions. Per-label attention, obtained from a learnable module or from gradient class-activation maps, yields per-label feature statistics; these statistics are mixed with cross-domain samples that share present labels, under independent per-label coefficients, and features are recomposed by attention-weighted normalization. Three operators combined with two attention sources produce six variants, evaluated on a leave-one-domain-out benchmark from multi-label UCM, AID, and DFC15 over six shared labels. Averaged over three splits and five seeds, the best variant attains 71.5% mean average precision, exceeding empirical risk minimization by 5.0 points and the strongest global-statistics baseline by 1.3 points, with the largest gain on the hardest transfer (up to 7.7 points). Ablations indicate that spatial attention and refreshed localization maps are most influential. The framework adds at most 0.35% parameters, leaves inference unchanged, and appears to offer a generic, inexpensive upgrade path for multi-label statistics-based domain generalization. Code is available upon acceptance at https://github.com/Alaa-Almouradi/Style-Augmentation-Upgrade.
• Abstract（参考訳）: マルチラベル分類では、複数のラベルをそれぞれの空中シーンに割り当てるが、デプロイされたモデルはトレーニングとは異なるデータ分布に遭遇することが多い。 MixStyle, EFDMix, 関連スタイルの不確実性などの特徴統計の増大は, 低コストで一般化を向上するが, チャネル統計を世界中に浸透させ, 各画像を単一のスタイルとして扱う。 ドメインの一般化は、マルチラベルリモートセンシングのために検討されている。 そのため,ラベル分離型拡張フレームワークが提案され,ラベル固有領域へのスタイル摂動が収束する。 学習可能なモジュールや勾配のクラスアクティベーションマップから得られるラベル毎の特徴統計は、現在のラベルを共有するクロスドメインのサンプルと混合され、独立なラベル毎の係数の下で、特徴は注意重み付き正規化によって再分解される。 3つの演算子と2つの注意源が組み合わさって6つの変種を生成し、6つの共有ラベルに対して複数ラベルのUCM、AID、DFC15から1ドメインアウトのベンチマークで評価した。 3つ以上の分割と5つの種子を平均して、最良の変種は平均精度71.5%に達し、経験的リスク最小化を5.0ポイント、世界統計ベースラインを1.3ポイント、最も高い転送率(最大7.7ポイント)に達した。 アブレーションは、空間的注意とリフレッシュされたローカライゼーションマップが最も影響していることを示している。 このフレームワークは、少なくとも0.35%のパラメータを追加し、推論は変更せず、マルチラベル統計に基づくドメイン一般化のための汎用的で安価なアップグレードパスを提供するように見える。 コードはhttps://github.com/Alaa-Almouradi/Style-Augmentation-Upgradeで受け付けている。

関連論文リスト

• Online hierarchical partitioning of the output space in extreme multi-label data stream [2.474908349649168]
  この研究は、ラベル空間を非結合クラスタに分割するオンラインマルチラベル学習フレームワークであるiHOMERを導入し、事前定義された階層に依存することなく相関する。 23の実世界のデータセットを対象とした実験では、MLHAT、MLHT、Pruned Sets、iSOUPTといった最先端のグローバルベースラインを23%、kNN、EFDT、ARF、ADWINのバイナリ関連変換など12のローカルベースラインを32%上回り、オンラインマルチラベル分類の堅牢性を確立している。
  論文  参考訳（メタデータ） (2025-07-28T14:47:13Z)
• Combining Metric Learning and Attention Heads For Accurate and Efficient Multilabel Image Classification [0.0]
  マルチラベル分類における2つの一般的なアプローチについて再検討する。 トランスフォーマーベースヘッドはグラフベースのブランチよりも優れた結果が得られると考えられるが、適切なトレーニング戦略により、グラフベースの手法はわずかに精度の低下を示すことができると論じる。
  論文  参考訳（メタデータ） (2022-09-14T12:06:47Z)
• All Mistakes Are Not Equal: Comprehensive Hierarchy Aware Multi-label Predictions (CHAMP) [19.41500672342727]
  本稿では,階層木のように重大度に依存して誤予測を罰する枠組みを提案する。 提案手法は,既存のマルチラベル分類アルゴリズムをより良い誤りで拡張するフレームワークを提供する。
  論文  参考訳（メタデータ） (2022-06-17T09:32:48Z)
• Cycle Label-Consistent Networks for Unsupervised Domain Adaptation [57.29464116557734]
  ドメイン適応は、ラベル付きソースドメインを活用して、異なる分布を持つラベル付きターゲットドメインの分類子を学ぶことを目的としています。 本稿では,分類ラベルのサイクル整合性を利用して,シンプルで効率的な領域適応手法,すなわちCycle Label-Consistent Network (CLCN)を提案する。 MNIST-USPS-SVHN, Office-31, Office-Home, Image CLEF-DAベンチマークに対するアプローチの有効性を示す。
  論文  参考訳（メタデータ） (2022-05-27T13:09:08Z)
• Dual-Perspective Semantic-Aware Representation Blending for Multi-Label Image Recognition with Partial Labels [70.36722026729859]
  本稿では,多粒度カテゴリ固有の意味表現を異なる画像にブレンドした,二重パースペクティブな意味認識表現ブレンディング(DSRB)を提案する。 提案したDSは、すべての比率ラベル設定において、最先端のアルゴリズムを一貫して上回っている。
  論文  参考訳（メタデータ） (2022-05-26T00:33:44Z)
• Generative Multi-Label Zero-Shot Learning [136.17594611722285]
  マルチラベルゼロショット学習は、トレーニング中にデータが入手できない複数の見えないカテゴリにイメージを分類する試みである。 我々の研究は、(一般化された)ゼロショット設定におけるマルチラベル機能の問題に最初に取り組みました。 私たちのクロスレベル核融合に基づく生成アプローチは、3つのデータセットすべてにおいて最先端の手法よりも優れています。
  論文  参考訳（メタデータ） (2021-01-27T18:56:46Z)
• Instance-Aware Graph Convolutional Network for Multi-Label Classification [55.131166957803345]
  グラフ畳み込みニューラルネットワーク(GCN)は、マルチラベル画像認識タスクを効果的に強化した。 マルチラベル分類のための事例対応グラフ畳み込みニューラルネットワーク(IA-GCN)フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-08-19T12:49:28Z)
• Joint Visual and Temporal Consistency for Unsupervised Domain Adaptive Person Re-Identification [64.37745443119942]
  本稿では,局所的なワンホット分類とグローバルなマルチクラス分類を組み合わせることで,視覚的・時間的整合性を両立させる。 3つの大規模ReIDデータセットの実験結果は、教師なしと教師なしの両方のドメイン適応型ReIDタスクにおいて提案手法の優位性を示す。
  論文  参考訳（メタデータ） (2020-07-21T14:31:27Z)

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。