2023 m. vasario 24 d funkcija
Skirtingi domeno pritaikymo scenarijai. (a) Uždarojo rinkinio DA, kuri daro prielaidą, kad šaltinio domenas ir tikslinis domenas turi bendrus etikečių rinkinius. (b) Dalinis DA, pagal kurį daroma prielaida, kad tiksliniai etikečių rinkiniai laikomi šaltinio etikečių rinkinių poaibiu. (c) atvirojo rinkinio DA, pagal kurį daroma prielaida, kad šaltinio etikečių rinkiniai laikomi tikslinių etikečių rinkinių poaibiu. d) Universalus DA, kuris nenumato jokių išankstinių žinių apie etikečių rinkinius. Etikečių rinkiniai kiekviename domene skirstomi į bendrinamus ir privačius etikečių rinkinius. e) Universalus DA be šaltinio duomenų. Šaltinio duomenų rinkinys nepasiekiamas praktiniuose universaliuose nuotolinio stebėjimo DA scenarijuose. Kreditas: IEEE operacijos dėl geomokslo ir nuotolinio stebėjimo (2023). DOI: 10.1109 / TGRS.2023.3235988 Domeno pritaikymo metodai yra metodai, skirti pagerinti skaičiavimo modelių veikimą konkrečiose tikslinėse srityse. Šie metodai yra ypač vertingi sprendžiant problemas, dėl kurių yra tik ribotas atitinkamų anotuotų duomenų kiekis ir kurioms mašinų mokymosi algoritmų mokymas yra ypač sudėtingas.
Miuncheno technikos universiteto (TUM) mokslininkai neseniai sukūrė universalaus domeno pritaikymo (UniDA) metodą, kuris galėtų pagerinti modelių, išmokytų klasifikuoti nuotolinių jutiklių vaizdus, veikimą. Jų darbas, paskelbtas m IEEE operacijos dėl geomokslo ir nuotolinio stebėjimopristato UniDA metodą, skirtą nuotolinio stebėjimo vaizdo scenų klasifikavimui, taip pat naują modelio pritaikymo (MA) tinklą ir šaltinio duomenų generavimu pagrįstą modelio pritaikymo (SDG-MA) tinklą, skirtą UniDA be šaltinio duomenų.
„Dauguma esamų domeno pritaikymo (DA) metodų sprendžia domenų atotrūkį tarp skirtingų domenų, remiantis žiniomis apie šaltinio ir tikslinės etikečių erdvės ryšį (kategorijų spraga), pvz., uždarojo rinkinio DA, dalinio DA ir atviro rinkinio DA. “, – „Tech Xplore“ pasakojo Yilei Shi, vienas iš tyrimą atlikusių tyrėjų.
„Šie metodai paprastai nėra tinkami praktiniam nuotolinio stebėjimo vaizdų klasifikavimui, nes jie remiasi turtingomis išankstinėmis žiniomis apie šaltinio etikečių rinkinių ir tikslinių domenų ryšį, o šaltinio duomenys dažnai nepasiekiami dėl privatumo ar konfidencialumo problemų. Šiuo tikslu siūlome praktinį UniDA nustatymą nuotolinio stebėjimo vaizdo scenų klasifikavimui, kuriam nereikia išankstinių žinių apie etikečių rinkinius.
Shi ir jo kolegos sukūrė dviejų pakopų sistemą, kuri pasiekia UniDA tiek esant, tiek nesant atitinkamų šaltinio duomenų. Ši sistema užbaigia du etapus, būtent šaltinio duomenų generavimą ir modelio pritaikymo tikslą.
Pirmajame iš šių etapų sistema įvertina sąlyginį šaltinio duomenų pasiskirstymą. Remdamasis šiais įvertinimais, jis generuoja sintetinius šaltinio vaizdus, atitinkančius vaizdų turinį ir stilių, susijusių su nurodyta užduotimi, tais atvejais, kai šaltinio duomenys nepasiekiami.
„Turint šiuos sintetinius šaltinio duomenis, UniDA užduotis tampa teisingai klasifikuoti tikslinį pavyzdį, jei jis priklauso kokiai nors šaltinio etikečių rinkinio kategorijai, arba kitaip pažymėti jį kaip „nežinomas“, – paaiškino Shi. „Antrame etape naujas perkeliamas svoris, išskiriantis bendrai naudojamus ir privačius etikečių rinkinius kiekviename domene, skatina prisitaikymą automatiškai aptinkamame bendrinamų etikečių rinkinyje ir sėkmingai atpažįsta „nežinomus“ pavyzdžius.
Siūlomos UniDA apžvalga be šaltinio duomenų (SDG-MA). Modelis susideda iš šaltinio duomenų generavimo etapo ir modelio pritaikymo etapo. Kreditas: Xu ir kt. Shi ir jo kolegos įvertino savo UniDA techniką atlikdami daugybę bandymų. Jie nustatė, kad tai gali veiksmingai pagerinti modelių veikimą nuotolinio stebėjimo vaizdo scenų klasifikavimo užduotyse, neatsižvelgiant į tai, ar yra pažymėti mokymo duomenys, ar ne.
„Mūsų siūlomas UniDA nuotolinio aptikimo vaizdo scenų klasifikavimo nustatymas yra praktiškesnis ir sudėtingesnis nei kiti nustatymai, nes jis apima atvejus, kai nepateikiama jokios informacijos apie šaltinio duomenų paskirstymą ir jokių išankstinių žinių apie etikečių rinkinius“, – sakė Shi. „Mes performulavome tikslą kaip sąlyginį paskirstymą, o ne šaltinio duomenų bazės pasiskirstymą pagal Bajeso teoriją, kuri teoriškai garantuoja duomenų generavimo patikimumą ir efektyvumą.”
Apskritai pradinės išvados rodo, kad komandos UniDA sistema yra veiksminga ir praktiška. Be to, palyginti su kitais esamais neapibrėžtumo matavimo metodais, Shi ir jo kolegų pasiūlytas perkeliamo svorio metodas gali geriau diskriminuoti neapibrėžtumą, ypač tais atvejais, kai kategoriniai pasiskirstymai yra gana vienodi.
„Mūsų tyrimas gali būti atskaitos taškas sudėtingoje UniDA aplinkoje nuotolinio stebėjimo vaizdams“, – sakė Shi. „Remiantis šiuo darbu, galime išspręsti dvi praktines nuotolinio stebėjimo problemas. Pirma, pagal bendrą scenarijų negalime pasirinkti tinkamų domeno pritaikymo metodų (uždarojo rinkinio DA, dalinio DA arba atvirojo rinkinio DA), nes nesuteikiama jokių išankstinių žinių apie tikslinio domeno etikečių rinkinį. Antra, galime spręsti atvejus, kai šaltinio duomenų rinkiniai nepasiekiami.”
Šiandien efektyviai mokyti skaičiavimo modelius atliekant realias nuotolinio stebėjimo užduotis gali būti sudėtinga, nes duomenų rinkinių, susijusių su konkrečiais scenarijais, yra nedaug. Pavyzdžiui, daugelis palydovų kompanijų ir naudotojų nesidalija savo duomenimis dėl duomenų privatumo ir saugumo problemų. Kitais atvejais šaltinio duomenų rinkiniai (pvz., didelės raiškos nuotolinio stebėjimo vaizdai) gali būti tokie dideli, kad perkelti juos į kitas platformas tampa nepatogu arba neįmanoma.
Šios tyrėjų komandos pasiūlyta UniDA sistema galėtų padėti pagerinti nuotolinio stebėjimo užduočių modelių veikimą, net jei nėra konkrečioms užduotims skirtų mokymo duomenų rinkinių. Be to, tai galėtų paskatinti kurti panašius DA metodus kitoms realaus pasaulio programoms, kurių mokymo duomenys yra riboti.
„Mūsų eksperimentuose sunku pritaikyti modelio perkeliamą svorį, kad būtų galima nustatyti optimalų slenkstį, kad jis būtų pritaikytas visoms nuotolinio stebėjimo vaizdų UniDA užduotims“, – pridūrė Shi. „Taigi būsimose studijose mes sutelksime dėmesį į adaptyvų slenksčio mokymąsi naudodami atviro rinkinio klasifikatorių.”
Daugiau informacijos: Qingsong Xu ir kt., Universalus domeno pritaikymas nuotolinio aptikimo vaizdo scenų klasifikavimui, IEEE operacijos dėl geomokslo ir nuotolinio stebėjimo (2023). DOI: 10.1109 / TGRS.2023.3235988
© „Science X Network“, 2023 m
Citata: universalus domeno pritaikymo metodas nuotolinio stebėjimo vaizdų klasifikavimui (2023 m. vasario 24 d.), gautas 2023 m. vasario 24 d. iš https://techxplore.com/news/2023-02-universal-domain-technique-remote-image.html
Šis dokumentas yra saugomas autorių teisių. Išskyrus bet kokius sąžiningus sandorius privačių studijų ar mokslinių tyrimų tikslais, jokia dalis negali būti atkuriama be raštiško leidimo. Turinys pateikiamas tik informaciniais tikslais.