Основные понятия
本研究は、一貫性正則化に基づくコース-ファイン半教師あり変化検出手法C2F-SemiCDを提案する。C2FNetネットワークを通じて、マルチスケールの注意機構を用いて変化特徴を段階的に抽出し、教師モデルによる疑似ラベルを利用して学生モデルの学習を行うことで、少量の教師付きデータを効果的に活用する。
Аннотация
本研究は、高解像度リモートセンシング画像の変化検出に関する課題に取り組んでいる。従来の深層学習ベースの監督学習手法は、大量の教師付きデータを必要としていたが、教師付きデータの収集は非常に時間とコストがかかる。そこで本研究では、少量の教師付きデータと大量の教師なしデータを活用する半教師あり学習手法C2F-SemiCDを提案している。
C2F-SemiCDは以下の2つの主要な構成要素から成る:
- C2FNet: マルチスケールの注意機構を備えたコース-ファインの変化検出ネットワーク。特徴抽出能力を段階的に向上させる。
- 半教師あり学習手法: 教師モデルによる疑似ラベルを利用して学生モデルの学習を行う。一貫性正則化を用いることで、教師なしデータからも効果的に特徴を学習できる。
提案手法は、3つのデータセットを用いた実験と詳細な ablation study により、優れた性能と効率性を実証している。特に、わずか30%の教師付きデータでも、100%の教師付きデータを使った場合とほぼ同等の性能が得られることを示している。
Статистика
変化検出の精度は、5%の教師付きデータでも78.14%のF1スコアを達成している。
30%の教師付きデータでは、F1スコアが85.14%に達し、従来の完全教師あり手法を上回っている。
提案手法は、少量の教師付きデータと大量の教師なしデータを効果的に活用できることを示している。
Цитаты
"本研究は、一貫性正則化に基づくコース-ファイン半教師あり変化検出手法C2F-SemiCDを提案する。"
"C2F-SemiCDは、C2FNetネットワークと半教師あり学習手法から構成される。"
"提案手法は、3つのデータセットを用いた実験と詳細な ablation study により、優れた性能と効率性を実証している。"