論文の概要: Enhancing Foundation Models for Imbalanced SAR Ship Classification via Targeted Oversampling

• arxiv url: http://arxiv.org/abs/2609.31657v1
• Date: Tue, 15 Sep 2026 04:53:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 14:15:51.355313
• Title: Enhancing Foundation Models for Imbalanced SAR Ship Classification via Targeted Oversampling
• Title（参考訳）: ターゲットオーバーサンプリングによる不均衡SAR船舶分類のための基礎モデルの改善
• Abstract要約: 我々は、不均衡なOpenSARShipデータセット上でDOFAとSAR-JEPAをベンチマークする。 4つのオーバーサンプリング手法を,少数クラスのみに応用し,拡張埋め込み上で軽量なヘッドを訓練する。 また、クラスワイドな振る舞いを報告し、アグリゲーションの改善が特定のレアクラスの持続的障害と共存できることを示します。
• 参考スコア（独自算出の注目度）: 2.4469484645516837
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Remote-sensing foundation models offer strong representations for SAR imagery, but their behavior under severe long-tail class imbalance is still not well characterized. We benchmark DOFA and SAR-JEPA on the imbalanced OpenSARShip dataset and compare them with ImageNet-pretrained baselines under a fixed, training-efficient protocol that keeps the backbone frozen. To mitigate imbalance without fine-tuning, we apply four oversampling methods in embedding space exclusively to minority classes and train a lightweight classifier head on the augmented embeddings. Across both foundation models, oversampling improves Macro-F1 and test accuracy relative to their respective baselines, with the largest Macro-F1 gains observed for DOFA using ADASYN (34.39 to 38.56) and for SAR-JEPA using SVM-SMOTE (25.89 to 32.30). We also report class-wise behavior, showing that aggregate improvements can coexist with persistent failures on specific rare classes. Code for embedding extraction and reproducible multi-seed evaluation is provided to support rapid experimentation on free-tier hardware.
• Abstract（参考訳）: リモートセンシング基礎モデルは、SAR画像に対して強力な表現を提供するが、厳しいロングテール級不均衡下でのそれらの挙動は、まだよく評価されていない。 我々は、不均衡なOpenSARShipデータセット上でDOFAとSAR-JEPAをベンチマークし、バックボーンを凍結に保つ固定されたトレーニング効率のプロトコルの下で、ImageNetで事前トレーニングされたベースラインと比較する。 微調整をせずに不均衡を緩和するために,少数クラスのみにのみ埋め込み空間に4つのオーバーサンプリング手法を適用し,拡張埋め込みに軽量な分類器ヘッドを訓練する。 両方の基礎モデル全体で、オーバーサンプリングはマクロF1とそれぞれのベースラインに対するテスト精度を改善し、ADASYN (34.39 - 38.56) と SVM-SMOTE (25.89 - 32.30) を使用したSAR-JEPA で観測された最大のマクロF1ゲインを持つ。 また、クラスワイドな振る舞いを報告し、アグリゲーションの改善が特定のレアクラスの持続的障害と共存できることを示します。 自由層ハードウェア上での高速な実験を支援するために, 組込み抽出と再現可能なマルチシード評価のためのコードを提供する。

関連論文リスト

• Too Correct to Learn: Reinforcement Learning on Saturated Reasoning Data [55.84428098924793]
  構造保存探索を行うためのパラメータ自由復号法である Constrained Uniform Top-K Smpling (CUTS) を提案する。 グループ内の利点分散を増幅するために、エクスプロイトと探索的なロールアウトを相乗化するためのトレーニングフレームワークであるMixed-CUTSに統合する。 特にMixed-CUTSは、AIME25ベンチマークのPass@1の精度を標準のGRPOよりも15.1%向上している。
  論文  参考訳（メタデータ） (2026-04-20T16:43:28Z)
• Temper-Then-Tilt: Principled Unlearning for Generative Models through Tempering and Classifier Guidance [51.532841645285835]
  本研究では,タスクを目標分布に対する密度比推定としてフレーミングすることで,大規模生成モデルにおける機械学習について検討する。 左折集合がシャープで集中したデータ分布を表す場合、有限サンプルで忠実に解けないことを示す。 本稿では,基本モデルを凍結し,二段階の推論手法を適用したTemper-Then-Tilt Unlearning(T3-Unlearning)を提案する。
  論文  参考訳（メタデータ） (2026-02-10T19:08:40Z)
• RFAssigner: A Generic Label Assignment Strategy for Dense Object Detection [9.226320199517259]
  最先端の手法は通常、各トレーニングサンプルに正と負の重みを割り当て、トレーニング中の割り当てスキームを最適化する。 我々は、高密度検出器のマルチスケール学習能力を高めるために設計された新しい割り当て戦略であるRFerを紹介する。 RFerは、割り当てられていないプールから補助的な正のサンプルを適応的に選択し、オブジェクトスケール間でよりバランスのとれた学習プロセスを促進する。
  論文  参考訳（メタデータ） (2026-01-03T17:19:41Z)
• RoBiS: Robust Binary Segmentation for High-Resolution Industrial Images [3.226330965024265]
  現実シナリオにおける教師なし異常検出は重要な課題である。 現在の方法はMVTec AD 2ベンチマークで大幅に性能が低下している。 3つのコアモジュールからなる堅牢なフレームワークRoBiSを提案する。
  論文  参考訳（メタデータ） (2025-05-27T13:04:48Z)
• Anchor-based oversampling for imbalanced tabular data via contrastive and adversarial learning [2.7446241148152253]
  不均衡データは、一方のクラス(マイノリティ)が他方(マイノリティ)よりも多く処理された周波数の分布を表す。 不均衡学習では、分類アルゴリズムは通常、多数派を正確に分類する傾向があり、結果として人工的に高い精度が得られる。 本研究では,不均衡学習課題に取り組むために,境界アンカーサンプルに基づくフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-24T11:25:21Z)
• Enhancing Imbalance Learning: A Novel Slack-Factor Fuzzy SVM Approach [0.0]
  サポートベクターマシン(FSVM)は、様々なファジィメンバシップをサンプルに割り当てることで、クラス不均衡に対処する。 最近開発されたslack-factor-based FSVM(SFFSVM)は、slack Factorを使用して、誤分類可能性に基づいてファジィメンバシップを調整することで、従来のFSVMを改善している。 そこで我々は,新しい位置パラメータを導入する改良されたスラックファクターベースFSVM(ISFFSVM)を提案する。
  論文  参考訳（メタデータ） (2024-11-26T05:47:01Z)
• Rethinking Classifier Re-Training in Long-Tailed Recognition: A Simple Logits Retargeting Approach [102.0769560460338]
  我々は,クラスごとのサンプル数に関する事前知識を必要とせず,シンプルなロジットアプローチ(LORT)を開発した。 提案手法は,CIFAR100-LT, ImageNet-LT, iNaturalist 2018など,様々な不均衡データセットの最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-03-01T03:27:08Z)
• Take the Bull by the Horns: Hard Sample-Reweighted Continual Training Improves LLM Generalization [165.98557106089777]
  大きな言語モデル(LLM)の能力を高めることが大きな課題だ。 本研究は,従来の事前学習データセットを用いたLCMの光連続訓練に関する実証的戦略から始まった。 次に、この戦略をインスタンス重み付け分散ロバスト最適化の原則化されたフレームワークに定式化します。
  論文  参考訳（メタデータ） (2024-02-22T04:10:57Z)
• Distributionally Robust Models with Parametric Likelihood Ratios [123.05074253513935]
  3つの単純なアイデアにより、より広いパラメトリックな確率比のクラスを用いてDROでモデルを訓練することができる。 パラメトリック逆数を用いてトレーニングしたモデルは、他のDROアプローチと比較して、サブポピュレーションシフトに対して一貫して頑健であることがわかった。
  論文  参考訳（メタデータ） (2022-04-13T12:43:12Z)
• Boosting Randomized Smoothing with Variance Reduced Classifiers [4.110108749051657]
  ランダム化平滑化(Randomized Smoothing, RS)のベースモデルとして, アンサンブルが特に適した選択である理由を考察する。 我々は、この選択を実証的に確認し、複数の設定でアート結果の状態を取得する。
  論文  参考訳（メタデータ） (2021-06-13T08:40:27Z)

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。