論文の概要: Label-Efficient Learning for Ground-Based Sky-Image Classification: A Benchmark of Transfer Learning, Active Learning, and Pseudo-Labeling on GCD
- arxiv url: http://arxiv.org/abs/2609.26631v1
- Date: Tue, 22 Sep 2026 16:06:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-24 01:05:39.738272
- Title: Label-Efficient Learning for Ground-Based Sky-Image Classification: A Benchmark of Transfer Learning, Active Learning, and Pseudo-Labeling on GCD
- Title（参考訳）: 地上画像分類のためのラベル有効学習:GCDにおける移動学習, 能動学習, 擬似ラベルのベンチマーク
- Abstract要約: 地上クラウド分類は、大気モニタリング、太陽エネルギー予測、航空気象評価、気候観測システムにおいて重要である。
地上クラウドデータセット(GCD)を用いた地上クラウド分類のための深層学習のラベル効率について検討した。
我々は,限定的なアノテーション予算の下で,教師ありトランスファー学習,不確実性に基づくアクティブラーニング,高信頼な擬似ラベル作成という3つの実践的戦略をベンチマークした。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate ground-based cloud classification is important for atmospheric monitoring, solar-energy forecasting, aviation weather assessment, and climate observation systems. However, reliable sky-image annotation is time-consuming, especially when cloud types are visually similar or mixed. We study the label efficiency of deep learning for ground-based cloud classification using the Ground-based Cloud Dataset (GCD). Rather than proposing a new architecture, we benchmark three practical strategies under limited annotation budgets: supervised transfer learning, uncertainty-based active learning, and high-confidence pseudo-labeling. An ImageNet-pretrained ResNet50 is used as a common frozen backbone, with experiments repeated over five random seeds for label budgets from $1\%$ to $100\%$ of the training labels. Supervised transfer learning is already highly label-efficient: test accuracy increases from $0.635 \pm 0.018$ with $1\%$ labels to $0.730 \pm 0.002$ with $40\%$ labels, approaching the full-label result of $0.735 \pm 0.003$. Active learning and pseudo-labeling are competitive with supervised sampling and provide small improvements for some metrics and budgets, but neither gives a large or consistent aggregate gain. Diagnostic analyses show that accepted pseudo-labels are reliable, with accuracy from $0.946$ to $0.977$, but biased toward easier high-confidence sky-type groups. In contrast, uncertainty sampling preferentially queries visually challenging groups, including Mixed and the confusable Stratocumulus and Cumulonimbus groups, but these targeted acquisitions yield only modest gains. Overall, transfer learning substantially reduces annotation requirements for GCD, while simple active and semi-supervised strategies provide limited additional benefit over a strong supervised baseline.
- Abstract（参考訳）: 正確な地上クラウド分類は、大気モニタリング、太陽エネルギー予測、航空気象評価、気候観測システムにおいて重要である。
しかし、信頼性の高いスカイイメージアノテーションは、特に雲のタイプが視覚的に似ているか混ざり合っている場合、時間を要する。
地上クラウド分類における深層学習のラベル効率について,地上クラウドデータセット(GCD)を用いて検討した。
新しいアーキテクチャを提案するのではなく、教師ありトランスファーラーニング、不確実性に基づくアクティブラーニング、高信頼な擬似ラベル作成という3つの実践戦略を、限定的なアノテーション予算の下でベンチマークする。
ImageNetで事前トレーニングされたResNet50は、一般的な凍結バックボーンとして使用され、ラベル予算が1\%から100\%の5つのランダムシードに対して、実験が繰り返されている。
テスト精度は、0.635 \pm 0.018$、ラベルが1\%$から0.730 \pm 0.002$、ラベルが40\%$に向上し、完全なラベル結果が0.735 \pm 0.003$に近づいた。
アクティブな学習と擬似ラベルは、教師付きサンプリングと競合し、いくつかのメトリクスと予算に対して小さな改善を提供する。
診断分析の結果,疑似ラベルの精度は0.946$から0.977$まで高いが,信頼性の高いスカイタイプグループに偏っていることがわかった。
対照的に、不確実なサンプリングは、Mixed や Confusable Stratocumulus や Cumulonimbus といった視覚的に困難なグループを優先的にクエリするが、これらをターゲットとした取得は、わずかに利益しか得られない。
全体として、転送学習はGCDのアノテーション要求を大幅に減らし、単純なアクティブおよび半教師付き戦略は強力な教師付きベースラインに対して限定的なメリットをもたらす。
関連論文リスト
- SPARSE Data, Rich Results: Few-Shot Semi-Supervised Learning via Class-Conditioned Image Translation [1.1849561189229352]
深層学習は医療画像に革命をもたらしたが、その効果は不十分なラベル付きデータによって著しく制限されている。
本稿では,低ラベルデータ体制に特化して設計された,新しいGANベースの半教師付き学習フレームワークを提案する。
このアプローチでは,クラス条件付き画像翻訳用のジェネレータ,認証評価と分類のための識別器,専用分類器という,3つの特殊なニューラルネットワークを統合した。
論文 参考訳（メタデータ） (2025-08-08T16:16:43Z) - ContraCluster: Learning to Classify without Labels by Contrastive
Self-Supervision and Prototype-Based Semi-Supervision [7.819942809508631]
本研究では,クラスタリングとコントラスト型自己教師学習の能力を組み合わせた教師なし画像分類手法であるContraClusterを提案する。
ContraClusterは、(1)コントラスト型自己監督型事前訓練(CPT)、(2)コントラスト型プロトタイプサンプリング(CPS)、(3)プロトタイプ型半教師型微調整(PB-SFT)の3段階からなる。
我々は、CIFAR-10、STL-10、ImageNet-10などの標準ベンチマークデータセットに対して、ContraClusterが新しい最先端結果を達成することを実証的に示す。
論文 参考訳（メタデータ） (2023-04-19T01:51:08Z) - Pseudo Contrastive Learning for Graph-based Semi-supervised Learning [67.37572762925836]
Pseudo Labelingは、グラフニューラルネットワーク(GNN)の性能向上に使用されるテクニックである。
我々はPseudo Contrastive Learning(PCL)と呼ばれるGNNのための一般的なフレームワークを提案する。
論文 参考訳（メタデータ） (2023-02-19T10:34:08Z) - SemPPL: Predicting pseudo-labels for better contrastive representations [38.116189075312455]
Pseudo-Labels (SemPPL) を用いた半教師付き学習手法Semantic Positivesを提案する。
我々は、表現を学び、自己ストラップ付き擬似ラベルを予測する。
SemPPLは、より大きなResNetモデルに対する最先端のパフォーマンスと、強力な、配布外および転送性能を示す。
論文 参考訳（メタデータ） (2023-01-12T17:24:08Z) - Weakly Supervised Semantic Segmentation for Large-Scale Point Cloud [69.36717778451667]
大規模なポイントクラウドセマンティックセグメンテーションのための既存の方法は、高価な、退屈でエラーを起こしやすい手動のポイントワイドアノテーションを必要とする。
この問題を解決するために,2つのコンポーネントを含む効果的な弱教師付き手法を提案する。
実験結果から,既存の弱教師付き手法と完全教師付き手法を比較検討した。
論文 参考訳（メタデータ） (2022-12-09T09:42:26Z) - One Class One Click: Quasi Scene-level Weakly Supervised Point Cloud
Semantic Segmentation with Active Learning [29.493759008637532]
One Class One Click (OCOC)は、ポイントレベルのアノテーションとシーンレベルのアノテーションをカプセル化した、低コストで情報的な準シーンレベルのラベルである。
グローバル・ローカル・パースペクティブからの弱い監督を伴って、希少なラベルを活用するために、活発な弱監督フレームワークが提案されている。
F1スコアの平均値において、実際のシーンレベルの弱い監督手法を最大25%上回っている。
論文 参考訳（メタデータ） (2022-11-23T01:23:26Z) - Incorporating Semi-Supervised and Positive-Unlabeled Learning for
Boosting Full Reference Image Quality Assessment [73.61888777504377]
フル参照(FR)画像品質評価(IQA)は、その知覚的差異をプリズム品質基準で測定することにより、歪み画像の視覚的品質を評価する。
ラベルなしデータは、画像劣化または復元プロセスから容易に収集することができ、ラベルなしのトレーニングデータを利用してFR-IQA性能を高めることを奨励する。
本稿では, 半教師付き, 正の未ラベル学習(PU)を用いて, ラベルなしデータを活用し, オフレーヤの悪影響を軽減することを提案する。
論文 参考訳（メタデータ） (2022-04-19T09:10:06Z) - Cross-Model Pseudo-Labeling for Semi-Supervised Action Recognition [98.25592165484737]
CMPL(Cross-Model Pseudo-Labeling)と呼ばれる,より効果的な擬似ラベル方式を提案する。
CMPLは、それぞれRGBモダリティとラベル付きデータのみを使用して、Kinetics-400とUCF-101のTop-1の精度を17.6%と25.1%で達成している。
論文 参考訳（メタデータ） (2021-12-17T18:59:41Z) - Weakly Supervised Pseudo-Label assisted Learning for ALS Point Cloud
Semantic Segmentation [1.4620086904601473]
競合ポイントクラウドの結果は通常、大量のラベル付きデータに依存します。
本研究では,基礎的事実を限定した正確な結果を得るための擬似ラベル方式を提案する。
論文 参考訳（メタデータ） (2021-05-05T08:07:21Z) - In Defense of Pseudo-Labeling: An Uncertainty-Aware Pseudo-label
Selection Framework for Semi-Supervised Learning [53.1047775185362]
Pseudo-labeling (PL) は一般的な SSL アプローチで、この制約はありませんが、当初の処方では比較的不十分です。
PLは不整合モデルからの誤った高い信頼度予測により性能が低下していると論じる。
そこで本研究では,疑似ラベリング精度を向上させるための不確実性認識型擬似ラベル選択(ups)フレームワークを提案する。
論文 参考訳（メタデータ） (2021-01-15T23:29:57Z) - Are Fewer Labels Possible for Few-shot Learning? [81.89996465197392]
ごく限られたデータとラベルのため、わずかなショット学習は難しい。
近年のBiT (Big Transfer) 研究は、異なる領域における大規模ラベル付きデータセットの事前トレーニングによって、少数ショット学習が大きな恩恵を受けることを示した。
本稿では,ファインチューニングにおけるクラスタリングと固有サンプルの共進化を活かし,ショット学習の削減を図る。
論文 参考訳（メタデータ） (2020-12-10T18:59:29Z)
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。