論文の概要: An Ensemble-Based Self-Taught Learning Approach for Parking Space Classification Under Limited Data

• arxiv url: http://arxiv.org/abs/2609.03258v1
• Date: Thu, 03 Sep 2026 01:35:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-04 18:28:38.88957
• Title: An Ensemble-Based Self-Taught Learning Approach for Parking Space Classification Under Limited Data
• Title（参考訳）: 限定データに基づくパーキング空間分類のためのアンサンブルに基づく自己学習手法
• Abstract要約: 畳み込みオートエンコーダを用いた教師なし表現学習に基づく自己学習フレームワークについて検討する。 提案手法はラベルのないデータから伝達可能な視覚表現を学習し、教師付き分類のための固定特徴抽出器として学習エンコーダを再利用する。 PKLot と CNRPark のベンチマークで行った実験から,提案したアンサンブルベースの戦略はアノテーションの要求を大幅に低減することが示された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Parking spot classification is a fundamental task in intelligent transportation systems, yet most deep learning approaches rely on large amounts of annotated data and exhibit limited generalization across heterogeneous environments. To address these limitations, we investigate a self-taught learning framework based on unsupervised representation learning with convolutional autoencoders. The proposed approach learns transferable visual representations from unlabeled data and reuses the learned encoders as fixed feature extractors for supervised classification with limited annotated samples in the target domain. To further enhance robustness and mitigate architectural bias, an ensemble of heterogeneous autoencoders is employed, with independent classifier heads and prediction fusion at inference time. Experiments conducted on the PKLot and CNRPark benchmarks under cross-dataset evaluation protocols show that the proposed ensemble-based strategy substantially reduces annotation requirements while improving robustness under significant domain shifts, achieving accuracies between 93\% and 96\% in data-constrained scenarios.
• Abstract（参考訳）: パーキングスポット分類はインテリジェント交通システムにおいて基本的な課題であるが、ほとんどのディープラーニングアプローチは大量の注釈付きデータに依存し、異種環境における限定的な一般化を示す。 これらの制約に対処するために,畳み込みオートエンコーダを用いた教師なし表現学習に基づく自己学習フレームワークについて検討する。 提案手法は,未ラベルデータから移動可能な視覚表現を学習し,対象領域の限定的な注釈付きサンプルを用いた教師付き分類のための固定特徴抽出器として学習エンコーダを再利用する。 さらにロバスト性を高め、アーキテクチャバイアスを軽減するために、独立した分類器ヘッドと推論時の予測融合を備えた異種オートエンコーダのアンサンブルを用いる。 PKLot と CNRPark ベンチマークをクロスデータセット評価プロトコルで行った実験から,提案したアンサンブルベースの戦略は,重要なドメインシフト下での堅牢性を向上しつつ,データ制約シナリオにおいて 993 % から 996 % の精度を達成するとともに,アノテーション要求を大幅に削減することが示された。

関連論文リスト

• Semi-Supervised Gaze Estimation via Disentangled Subspace Contrastive Learning [20.422491630669885]
  出現に基づく視線推定は、注釈付きサンプルが限られ、データセットの多様性が不十分なため、常に一般化に苦しむ。 先行するアプローチでは、制約のない現実世界のシナリオから大規模な擬似ラベル付きデータを生成するために、弱教師付き学習を採用する。 我々は、ラベルのないデータを活用してドメインの一般化を促進する、シンプルで効果的な半教師付き学習アーキテクチャを考案する。
  論文  参考訳（メタデータ） (2026-05-26T14:31:10Z)
• CLAIRE: Compressed Latent Autoencoder for Industrial Representation and Evaluation -- A Deep Learning Framework for Smart Manufacturing [51.56484100374058]
  CLAIREは、教師なしの深層表現学習と、スマート製造システムにおけるインテリジェントな品質管理のための教師付き分類を統合したハイブリッドエンドツーエンド学習フレームワークである。 最適化されたディープオートエンコーダを使用して、生の入力をコンパクトな潜伏空間に変換し、不適切な特徴やノイズを抑えながら本質的なデータ構造を効果的にキャプチャする。 提案したフレームワークは、堅牢な障害検出のために、説明可能なAIと機能認識の正規化を統合する可能性を強調している。
  論文  参考訳（メタデータ） (2026-03-06T15:11:58Z)
• Downstream-Pretext Domain Knowledge Traceback for Active Learning [138.02530777915362]
  本稿では、下流知識と事前学習指導のデータ相互作用をトレースするダウンストリーム・プレテキスト・ドメイン知識トレース(DOKT)手法を提案する。 DOKTは、トレースバックの多様性指標とドメインベースの不確実性推定器から構成される。 10のデータセットで行った実験は、我々のモデルが他の最先端の手法よりも優れていることを示している。
  論文  参考訳（メタデータ） (2024-07-20T01:34:13Z)
• XAL: EXplainable Active Learning Makes Classifiers Better Low-resource Learners [71.8257151788923]
  低リソーステキスト分類のための新しい説明可能なアクティブラーニングフレームワーク(XAL)を提案する。 XALは分類器に対して、推論を正当化し、合理的な説明ができないラベルのないデータを掘り下げることを推奨している。 6つのデータセットの実験では、XALは9つの強いベースラインに対して一貫した改善を達成している。
  論文  参考訳（メタデータ） (2023-10-09T08:07:04Z)
• Instance Adaptive Prototypical Contrastive Embedding for Generalized Zero Shot Learning [11.720039414872296]
  一般的なゼロショット学習は、トレーニング中に目に見えないラベルがアクセスできないと仮定して、目に見えないラベルと見えないラベルからサンプルを分類することを目的としている。 GZSLの最近の進歩は、生成ネットワークにコントラッシブラーニングベースの埋め込みを組み込むことによって、加速している。
  論文  参考訳（メタデータ） (2023-09-13T14:26:03Z)
• Hub-VAE: Unsupervised Hub-based Regularization of Variational Autoencoders [11.252245456934348]
  我々は、ハブベースの先行とハブベースのコントラスト損失を混合した非教師付きデータ駆動型潜在空間の正規化を提案する。 本アルゴリズムは,組込み空間におけるクラスタ分離性,高精度なデータ再構成と生成を実現する。
  論文  参考訳（メタデータ） (2022-11-18T19:12:15Z)
• Leveraging Ensembles and Self-Supervised Learning for Fully-Unsupervised Person Re-Identification and Text Authorship Attribution [77.85461690214551]
  完全ラベル付きデータからの学習は、Person Re-IdentificationやText Authorship Attributionなどのマルチメディアフォレスト問題において困難である。 近年の自己教師型学習法は,基礎となるクラスに意味的差異が有る場合に,完全ラベル付きデータを扱う際に有効であることが示されている。 本研究では,異なるクラスからのサンプルが顕著に多様性を持っていない場合でも,ラベルのないデータから学習できるようにすることにより,個人再認識とテキストオーサシップの属性に対処する戦略を提案する。
  論文  参考訳（メタデータ） (2022-02-07T13:08:11Z)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)
• Clustering augmented Self-Supervised Learning: Anapplication to Land Cover Mapping [10.720852987343896]
  本稿では,自己教師型学習のためのクラスタリングに基づくプレテキストタスクを用いて,土地被覆マッピングの新しい手法を提案する。 社会的に関係のある2つのアプリケーションに対して,本手法の有効性を示す。
  論文  参考訳（メタデータ） (2021-08-16T19:35:43Z)
• 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。