SARデータの半教師つき分類のためのグラフベース能動学習【JST・京大機械翻訳】

Miller Kevin; Mauro John; Setiadi Jason; Baca Xoaquin; Shi Zhan; Calder Jeff; Bertozzi Andrea L.

プレプリント

J-GLOBAL ID：202202215864791647 整理番号：22P0323502

SARデータの半教師つき分類のためのグラフベース能動学習【JST・京大機械翻訳】

Graph-based Active Learning for Semi-supervised Classification of SAR Data

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 (7件)： , , , , , ,
資料名：
発行年： 2022年03月30日プレプリントサーバーでの情報更新日： 2022年03月30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)

アクティブ学習フレームワークの中でグラフベース学習とニューラルネットワーク法からアイデアを結合することにより,合成開口レーダ(SAR)データの分類のための新しい方法を提案した。機械学習におけるグラフベースの方法は,データから構築された類似性グラフに基づいている。データがシーンから成る生画像から成るとき,外来情報は分類タスクをより困難にする。近年,ニューラルネットワーク法はSAR画像からパターンを抽出するための有望なフレームワークを提供することが示されている。しかし,これらの方法は過剰適合を避けるために十分な訓練データを必要とする。同時に,そのような訓練データは,自動ターゲット認識(ATR)とSARデータのような関心のアプリケーションにしばしば利用できない。著者らは,SARデータを特徴空間に埋め込むために畳込みニューラルネットワーク変分自動符号化器(CNNVAE)を使用して,次に,埋込みデータから類似性グラフを構築して,グラフベースの半教師つき学習技術を適用した。CNNVAE特徴埋込みとグラフ構築は,ラベル付きデータを必要とせず,これは,過剰適合を低減し,低ラベルレートでのグラフ学習の一般化性能を改善する。さらに,この方法は,データラベリングプロセスにおける能動学習のために,ヒトインザループを容易に組み込む。著者らは,有望な結果を提示し,それらを,少量のラベル付きデータを有するATRのための移動および静止ターゲット取得および認識(MSTAR)データセットに関する他の標準機械学習法と比較した。【JST・京大機械翻訳】

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

人工知能

, , ,

前のページに戻る