論文の概要: Label Less, Learn More: Resource-Efficient Active Semi-Supervised Learning for Onboard Satellite Image Annotation

• arxiv url: http://arxiv.org/abs/2609.37481v1
• Date: Fri, 25 Sep 2026 18:15:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.520087
• Title: Label Less, Learn More: Resource-Efficient Active Semi-Supervised Learning for Onboard Satellite Image Annotation
• Title（参考訳）: 衛星画像アノテーションのための資源効率の良い半教師付き半教師付き学習
• Abstract要約: SatLabelは、限られた衛星ラベルを段階的に洗練されたオンボードモデルに変換する、リソースを意識した学習フレームワークである。 均一にサンプリングされたラベルのトレーニングを繰り返すのではなく、SatLabelはモデルの不確実性、クラス不均衡、擬似ラベル品質の間のループを閉じる。 SatLabelは、約2倍高いGPUフォワードスループットを実現し、データセット上の画像当たりのエネルギを削減する。
• 参考スコア（独自算出の注目度）: 0.5168141947651226
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Large-scale pervasive sensing increasingly relies on high-resolution satellite imagery, yet task-specific onboard vision is constrained by costly annotation and limited computation, memory, energy, and communication resources. Existing approaches largely rely on either data-hungry supervised learning or large vision-language foundation models, limiting efficient adaptation and deployment under these constraints. We present SatLabel, a resource-aware learning framework that transforms limited satellite labels into progressively refined onboard models through adaptive sample acquisition and semi-supervised model adaptation. Rather than repeatedly training on uniformly sampled labels, SatLabel closes the loop between model uncertainty, class imbalance, and pseudo-label quality to selectively acquire informative samples while exploiting abundant unlabeled imagery. This enables a compact student to adapt to target sensing domains with reduced annotation and inference costs. We further introduce an optional Mixture-of-Experts (MoE) student with graph-based feature refinement to enhance representation capacity while retaining a lightweight footprint. We evaluate SatLabel on 11 remote-sensing datasets spanning core, extended, and unseen domains against RemoteCLIP zero-shot inference. SatLabel improves Macro-F1 on most core and extended datasets while maintaining strong cross-dataset transfer to unseen domains. More importantly, the Balanced student contains only 11.2 M parameters and occupies approximately 42.8 MB, compared with 151.3M parameters and 577 MB for RemoteCLIP, while requiring 3.65 versus 5.89 GFLOPs. Across four efficiency benchmarks, it achieves approximately 2x higher GPU-forward throughput and reduces energy per image on datasets.
• Abstract（参考訳）: 大規模な広帯域センシングは、高解像度の衛星画像にますます依存しているが、タスク固有のオンボードビジョンは、高価なアノテーションと限られた計算、メモリ、エネルギ、通信資源によって制約されている。 既存のアプローチは、データハングリーによる教師付き学習か、あるいは大きなビジョン言語基盤モデルに大きく依存しており、これらの制約の下での効率的な適応と展開を制限している。 本稿では、限られた衛星ラベルを適応的なサンプル取得と半教師付きモデル適応により、段階的に改良されたオンボードモデルに変換する、リソース対応学習フレームワークであるSatLabelを紹介する。 SatLabelは、一様にサンプリングされたラベルを何度も訓練する代わりに、モデルの不確実性、クラス不均衡、擬似ラベル品質の間のループを閉じて、豊富な未ラベル画像を利用して情報的サンプルを選択的に取得する。 これにより、コンパクトな学生はアノテーションや推論コストを削減して、ターゲットのセンシングドメインに適応することができる。 さらに,グラフに基づく機能改良を施したMixture-of-Experts (MoE) 学生を導入し,軽量なフットプリントを維持しながら表現能力を向上させる。 コア、拡張、未確認領域にまたがる11のリモートセンシングデータセット上で、RemoteCLIPゼロショット推論に対してSatLabelを評価する。 SatLabelは、ほとんどのコアおよび拡張データセットでMacro-F1を改善し、無意味なドメインへの強力なクロスデータセット転送を維持している。 さらに重要なこととして、バランスドの学生は11.2Mのパラメータと約42.8MBしか持たず、RemoteCLIPは151.3M、RemoteCLIPは577MBであり、3.65対5.89GFLOPである。 4つの効率ベンチマークで、約2倍高いGPUフォワードスループットを実現し、データセット上の画像当たりのエネルギを削減する。

関連論文リスト

• Dynamic Class-Aware Active Learning for Unbiased Satellite Image Segmentation [1.299941371793082]
  動的クラス認識不確実性に基づくアクティブラーニング(DCAU-AL)を提案する。 DCAU-ALは、リアルタイムなクラスワイドパフォーマンスギャップに基づくサンプル選択を優先し、クラスバランス問題を克服する。
  論文  参考訳（メタデータ） (2026-04-10T05:08:57Z)
• Harnessing Lightweight Transformer with Contextual Synergic Enhancement for Efficient 3D Medical Image Segmentation [59.711744386226194]
  モデル効率を実現するための軽量トランスであるLight-UNETRを提案する。 Light-UNETRは軽量次元減少(LIDR)モジュールを備えており、空間次元とチャネル次元を減少させる。 また,変換器のデータ効率向上を目的としたCSE学習戦略も導入した。
  論文  参考訳（メタデータ） (2026-03-24T16:24:19Z)
• 3DResT: A Strong Baseline for Semi-Supervised 3D Referring Expression Segmentation [73.877177695218]
  3D参照式(3D-RES)は通常、広範囲のインスタンスレベルのアノテーションを必要とします。 半教師付き学習(SSL)は、制限付きラベル付きデータと豊富なラベル付きデータを使用することでこれを緩和し、アノテーションのコストを削減しながらパフォーマンスを向上する。 本稿では,3D-RESのための半教師付き学習フレームワークについて紹介し,3DResTという頑健なベースライン手法を提案する。
  論文  参考訳（メタデータ） (2025-04-17T02:50:52Z)
• Enhancing Semi-supervised Learning with Zero-shot Pseudolabels [3.1614158472531435]
  データラベリングの高コストは、大規模に機械学習システムをデプロイする上で大きな障壁となる。 半教師付き学習(SSL)は、ラベル付きデータとラベル付きサンプルを併用することで、この課題を軽減する。 ファンデーションモデル(FM)は、ラベル付けコストをさらに削減できる強力なゼロショット機能を提供する。 我々は知識蒸留と一貫性に基づく学習を統合する新しいSSLフレームワークZeroMatchを紹介する。
  論文  参考訳（メタデータ） (2025-02-18T06:41:53Z)
• Efficient Semi-Supervised Adversarial Training via Latent Clustering-Based Data Reduction [3.3739429143238784]
  近年の研究では,外部ラベル付き・合成データを用いた半教師付き対人訓練(SSAT)手法が提案されている。 SSATは、高い堅牢性を達成するためにかなりのデータを必要とするため、トレーニング時間が長くなり、メモリ使用量が増加する。 SSATの効率を改善するためのラベルなしデータ削減戦略を提案する。
  論文  参考訳（メタデータ） (2025-01-15T15:47:49Z)
• Affinity-Graph-Guided Contractive Learning for Pretext-Free Medical Image Segmentation with Minimal Annotation [55.325956390997]
  本稿では,医用画像セグメンテーションのための親和性グラフ誘導半教師付きコントラスト学習フレームワーク(Semi-AGCL)を提案する。 このフレームワークは、まず、ロバストな初期特徴空間を提供する平均パッチエントロピー駆動のパッチ間サンプリング法を設計する。 完全アノテーションセットの10%に過ぎず, 完全注釈付きベースラインの精度にアプローチし, 限界偏差は2.52%に過ぎなかった。
  論文  参考訳（メタデータ） (2024-10-14T10:44:47Z)
• Semi-supervised 3D Object Detection with Proficient Teachers [114.54835359657707]
  自律運転のシナリオにおけるクラウドベースの3Dオブジェクト検出器の優位性は、大量の正確なラベル付きサンプルに大きく依存している。 Pseudo-Labeling法はSSLフレームワークで一般的に使用されているが、教師モデルの低品質な予測は、その性能を著しく制限している。 そこで本研究では,教師モデルをさらに高度化することで,半教師付き3次元物体検出のためのPseudo-Labelingフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-26T04:54:03Z)
• Imposing Consistency for Optical Flow Estimation [73.53204596544472]
  プロキシタスクによる一貫性の導入は、データ駆動学習を強化することが示されている。 本稿では,光フロー推定のための新しい,効果的な整合性戦略を提案する。
  論文  参考訳（メタデータ） (2022-04-14T22:58:30Z)
• Auto-Transfer: Learning to Route Transferrable Representations [77.30427535329571]
  本稿では,適切なターゲット表現にソース表現をルートする方法を自動学習する,新しい対向型マルチアームバンディット手法を提案する。 最先端の知識伝達手法と比較すると,5%以上の精度向上が期待できる。
  論文  参考訳（メタデータ） (2022-02-02T13:09:27Z)
• Semi-weakly Supervised Contrastive Representation Learning for Retinal Fundus Images [0.2538209532048867]
  本稿では,半弱化アノテーションを用いた表現学習のための,半弱化教師付きコントラスト学習フレームワークを提案する。 SWCLの移動学習性能を7つの公立網膜眼底データセットで実証的に検証した。
  論文  参考訳（メタデータ） (2021-08-04T15:50:09Z)

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。