リモートセンシング画像分類のためのマルチラベル雑音ロバスト協調学習【JST・京大機械翻訳】

Aksoy Ahmet Kerem; Ravanbakhsh Mahdyar; Demir Beguem

プレプリント

J-GLOBAL ID：202202210786405601 整理番号：21P0069610

リモートセンシング画像分類のためのマルチラベル雑音ロバスト協調学習【JST・京大機械翻訳】

Multi-Label Noise Robust Collaborative Learning for Remote Sensing Image Classification

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (3件)： , ,
資料名：
発行年： 2020年12月19日プレプリントサーバーでの情報更新日： 2022年10月26日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

リモートセンシング(RS)画像のマルチラベル分類(MLC)のための正確な方法の開発は,RSにおける最も重要な研究トピックの1つである。畳み込みニューラルネットワーク(CNN)に基づくMLC法はRSにおいて強い性能利得を示した。しかし,それらは通常,複数の土地被覆クラスラベルで注釈付けされた多数の信頼できる訓練画像を必要とする。このようなデータの収集は時間がかかる。この問題に取り組むために,雑音のあるラベルを含む公的に利用可能な主題製品は,ゼロラベルコストでRS画像を注釈付けするために使用できる。しかし,マルチラベルノイズ(誤ったラベルと欠落したラベルアノテーションと関連する)はMLC法の学習プロセスを歪めることができる。この問題に取り組むために,CNNモデルの訓練フェーズ中のマルチラベルノイズのマイナス効果を軽減するために,新しいマルチラベル雑音ロバスト協調学習(RCML)法を提案した。RCMLは,3つの主なモジュールに基づくRS画像において,雑音の多いマルチラベルを同定,ランク,除外する。1)不一致モジュール;2)グループラッソモジュール;3)スワップモジュール。矛盾モジュールは,2つのネットワークが,同じ予測を作り出す間,多様な特徴を学ぶことを確実にする。グループラッソモジュールのタスクは,マルチラベル付き訓練画像に割り当てられる潜在的に雑音のあるラベルを検出することであり,一方,スワップモジュールは,2つのネットワークの間のランキング情報を交換する。ノイズ分布に関する仮定を作る既存の方法とは異なり,提案したRCMLは訓練セットにおける雑音のタイプについて事前仮定を行わなかった。2つのマルチラベルRS画像アーカイブに関する実験は,極端なマルチラベルノイズ比率の下で提案したRCMLのロバスト性を確認した。著者らのコードは,http://www.noisy labels in rs.orgで公開可能である。【JST・京大機械翻訳】

, , , , , , , , , ,
, , , , , 【Automatic Indexing@JST】

人工知能 , 図形・画像処理一般

, , , , , ,

前のページに戻る