論文の概要: Cross-Dataset Transfer and Unknown-Class Detection in Imbalanced SAR Ship Classification

• arxiv url: http://arxiv.org/abs/2609.31658v1
• Date: Tue, 15 Sep 2026 05:02:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 14:10:09.328166
• Title: Cross-Dataset Transfer and Unknown-Class Detection in Imbalanced SAR Ship Classification
• Title（参考訳）: 不均衡SAR船種別におけるクロスデータセット転送と未知クラス検出
• Abstract要約: 合成開口レーダ(SAR)画像からの船舶分類は重要なコンピュータビジョンタスクである。 我々は,SAR船の2つのデータセットに対して,ドメイン内分類,クロスデータセット転送,未知のクラス検出の6つの事前訓練モデルを評価する。
• 参考スコア（独自算出の注目度）: 2.2399170518036917
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Ship classification from Synthetic Aperture Radar (SAR) imagery is a critical computer vision task, yet the robustness of models under deployment shifts remains unclear. While models are often trained on one dataset and deployed on another, we lack a comprehensive understanding of their cross-dataset generalization. To address this, we evaluate six pretrained models on two SAR ship datasets in three settings: in-domain classification, cross-dataset transfer, and unknown-class detection. For unknown detection, we hold out all classes one at a time. In-domain, SARDet100K gives the best balanced accuracy on both datasets (73.4\% on FUSARShip and 53.2\% on OpenSARShip). In cross-dataset transfer, we observe strong failures: some models show moderate accuracy but near-chance balanced accuracy (for example, 64.5\% accuracy but 33.3\% balanced accuracy for OpenSARShip to FUSARShip). In unknown detection, performance depends on the held-out class and dataset, while MC-dropout variance is often close to random. These findings show that cross-dataset generalization in SAR remains limited and that task-specific uncertainty scores are often more informative than MC-dropout variance for held-out-class detection, although their relative ranking depends on the dataset and held-out class.
• Abstract（参考訳）: SAR(Synthetic Aperture Radar)画像からの船種分類は重要なコンピュータビジョンタスクであるが、展開シフト時のモデルの堅牢性はまだ不明である。 モデルは1つのデータセットでトレーニングされ、別のデータセットにデプロイされることが多いが、データセット間の一般化に関する包括的な理解は欠如している。 そこで本研究では,SAR船の2つのデータセットに対して,ドメイン内分類,クロスデータセット転送,未知クラス検出の6つの事前訓練モデルを評価する。 未知の検出のため、すべてのクラスを一度に1つずつ保持します。 SARDet100KはFUSARShipでは73.4\%、OpenSARShipでは53.2\%)。 例えば、OpenSARShip を FUSARShip に変換する場合、64.5\% の精度であるが、33.3\% の精度である。 未知の検出では、パフォーマンスは保持されたクラスとデータセットに依存するが、MCドロップアウトのばらつきはしばしばランダムに近い。 これらの結果から,SARにおけるクロスデータセットの一般化は限定的であり,タスク固有の不確実性スコアは,データセットとホールトアウトクラスに依存しているにもかかわらず,保持クラス検出におけるMCドロップアウトのばらつきよりも有益であることが示唆された。

関連論文リスト

• Exploring 3D Dataset Pruning [42.345465506597044]
  本研究では,3次元データに対するデータセットのプルーニングについて検討する。 重み付けされたサブセットで全データ予測リスクを近似すると、表現力の不足によるカバレッジエラーと、サブセットによるクラス重みとターゲットメトリクスの不整合による事前ミスマッチバイアスの2つの重要なエラーが明らかになる。
  論文  参考訳（メタデータ） (2026-02-28T13:42:11Z)
• NASTaR: NovaSAR Automated Ship Target Recognition Dataset [1.8957631297817699]
  このデータセットは、NovaSAR Sバンド画像から抽出された3415個の船のパッチからなる。 23のユニークなクラス、海岸/オフショアの分離、および船のウェイクが見えるパッチのための補助的なウェイクデータセットなどが含まれる。 ベンチマーク深層学習モデルを用いて,船型分類シナリオにおけるデータセットの適用性を検証した。
  論文  参考訳（メタデータ） (2025-12-20T20:42:30Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• A Dataset for Semantic Segmentation in the Presence of Unknowns [49.795683850385956]
  既存のデータセットは、既知のものや未知のもののみの評価を可能にするが、両方ではない。 乱雑な実環境からの多様な異常な入力を特徴とする,新しい異常セグメンテーションデータセットISSUを提案する。 データセットは、既存の異常セグメンテーションデータセットの2倍大きい。
  論文  参考訳（メタデータ） (2025-03-28T10:31:01Z)
• RoCA: Robust Contrastive One-class Time Series Anomaly Detection with Contaminated Data [19.25420308920505]
  正規性仮定に基づく手法は3つの制限に直面している。 彼らの基本的な前提は、トレーニングデータが汚染されていない(異常がない)ことである。 本稿では,上記の3つの課題に最初に対処した,新しい堅牢なアプローチであるRoCAを提案する。
  論文  参考訳（メタデータ） (2025-03-24T06:52:28Z)
• Class-wise Autoencoders Measure Classification Difficulty And Detect Label Mistakes [22.45812577928658]
  本稿では,個々のクラスで訓練されたオートエンコーダ間の再構成誤差の比率に基づいて,分類データセットを解析するための新しいフレームワークを提案する。 この分析フレームワークは、サンプル、クラス、およびデータセット全体のデータセットの効率的なキャラクタリゼーションを可能にする。
  論文  参考訳（メタデータ） (2024-12-03T17:29:00Z)
• LORD: Leveraging Open-Set Recognition with Unknown Data [10.200937444995944]
  LORDは未知のデータを活用することでオープンセット認識を活用するためのフレームワークである。 我々は、背景データを利用した3つのモデルに依存しない訓練戦略を特定し、それらを確立された分類器に適用する。
  論文  参考訳（メタデータ） (2023-08-24T06:12:41Z)
• Imbalanced Aircraft Data Anomaly Detection [103.01418862972564]
  航空シナリオ下でのセンサーからの時間データの異常検出は実用的だが難しい課題である。 本稿では,グラフィカル・テンポラル・データ分析フレームワークを提案する。 シリーズ・トゥ・イメージ (S2I) と呼ばれる3つのモジュール、ユークリッド距離 (CRD) を用いたクラスタ・ベース・リサンプリング・アプローチ、変数・ベース・ロス (VBL) から構成される。
  論文  参考訳（メタデータ） (2023-05-17T09:37:07Z)
• Few-Shot Non-Parametric Learning with Deep Latent Variable Model [50.746273235463754]
  遅延変数を用いた圧縮による非パラメトリック学習(NPC-LV)を提案する。 NPC-LVは、ラベルなしデータが多いがラベル付きデータはほとんどないデータセットの学習フレームワークである。 我々は,NPC-LVが低データ構造における画像分類における3つのデータセットの教師あり手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-06-23T09:35:03Z)
• Deep Mining External Imperfect Data for Chest X-ray Disease Screening [57.40329813850719]
  我々は、外部のCXRデータセットを組み込むことで、不完全なトレーニングデータにつながると論じ、課題を提起する。 本研究は,多ラベル病分類問題を重み付き独立二分課題として分類する。 我々のフレームワークは、ドメインとラベルの相違を同時にモデル化し、対処し、優れた知識マイニング能力を実現する。
  論文  参考訳（メタデータ） (2020-06-06T06:48:40Z)

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。