Computer Vision and Pattern Recognition,Machine Learning,چشم انداز رایانه و تشخیص الگوی , یادگیری ماشین ,
توضیحات
Submitted 13 September, 2024; originally announced September 2024. , Comments: A large ablation study measuring uncertainty and spatial generalizability with 8 foundation models, 11 world regions and 7 downstream tasks , ACM Class: I.4.9; I.5
توضیحات به فارسی
ارسال شده 13 سپتامبر 2024 ؛در ابتدا در سپتامبر 2024 اعلام شد ، نظرات: یک مطالعه بزرگ فرسایش اندازه گیری عدم اطمینان و تعمیم مکانی با 8 مدل پایه ، 11 منطقه جهانی و 7 وظیفه پایین دست ، کلاس ACM: I.4.9 ؛i.5
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
چکیده
We take the perspective in which we want to design a downstream task (such as estimating vegetation coverage) on a certain area of interest (AOI) with a limited labeling budget. By leveraging an existing Foundation Model (FM) we must decide whether we train a downstream model on a different but label-rich AOI hoping it generalizes to our AOI, or we split labels in our AOI for training and validating. In either case, we face choices concerning what FM to use, how to sample our AOI for labeling, etc. which affect both the performance and uncertainty of the results. In this work, we perform a large ablative study using eight existing FMs on either Sentinel 1 or Sentinel 2 as input data, and the classes from the ESA World Cover product as downstream tasks across eleven AOIs. We do repeated sampling and training, resulting in an ablation of some 500K simple linear regression models. Our results show both the limits of spatial generalizability across AOIs and the power of FMs where we are able to get over 0.9 correlation coefficient between predictions and targets on different chip level predictive tasks. And still, performance and uncertainty vary greatly across AOIs, tasks and FMs. We believe this is a key issue in practice, because there are many design decisions behind each FM and downstream task (input modalities, sampling, architectures, pretraining, etc.) and usually a downstream task designer is aware of and can decide upon a few of them. Through this work, we advocate for the usage of the methodology herein described (large ablations on reference global labels and simple probes), both when publishing new FMs, and to make informed decisions when designing downstream tasks to use them.
چکیده به فارسی (ترجمه ماشینی)
ما این چشم انداز را در نظر می گیریم که می خواهیم یک کار پایین دست (مانند تخمین پوشش پوشش گیاهی) را در یک منطقه مورد علاقه (AOI) با بودجه برچسب زدن محدود طراحی کنیم.با استفاده از یک مدل بنیاد موجود (FM) باید تصمیم بگیریم که آیا ما یک مدل پایین دست را بر روی یک AOI متفاوت اما غنی از برچسب آموزش می دهیم که امیدواریم آن را به AOI ما تعمیم دهد ، یا ما برچسب ها را در AOI خود برای آموزش و اعتبارسنجی تقسیم می کنیم.در هر صورت ، ما با انتخاب هایی در مورد استفاده از FM ، چگونگی نمونه برداری از AOI ما برای برچسب زدن و غیره روبرو هستیم که هم بر عملکرد و هم بر عدم اطمینان نتایج تأثیر می گذارد.در این کار ، ما یک مطالعه بزرگ را با استفاده از هشت FMS موجود در Sentinel 1 یا Sentinel 2 به عنوان داده های ورودی انجام می دهیم ، و کلاس های محصول پوشش جهانی ESA به عنوان وظایف پایین دست در یازده AOI.ما نمونه گیری و آموزش مکرر را انجام می دهیم و در نتیجه فرسایش حدود 500K مدل رگرسیون خطی ساده انجام می شود.نتایج ما نشان می دهد که هم محدودیت قابلیت تعمیم مکانی در AOI ها و قدرت FMS که در آن قادر به کسب بیش از 0.9 ضریب همبستگی بین پیش بینی ها و اهداف در کارهای پیش بینی کننده سطح تراشه های مختلف هستیم.و هنوز هم ، عملکرد و عدم اطمینان در AOI ها ، وظایف و FMS بسیار متفاوت است.ما معتقدیم که این یک مسئله مهم در عمل است ، زیرا در پشت هر کار FM و پایین دست تصمیمات طراحی زیادی وجود دارد (روشهای ورودی ، نمونه گیری ، معماری ، پیشگویی و غیره) و معمولاً یک طراح وظیفه پایین دست از آن آگاه است و می تواند در مورد چند مورد تصمیم بگیرداز آنهااز طریق این کار ، ما از استفاده از روش شناسی در اینجا توضیح داده می شود (فرسایش های بزرگ در برچسب های جهانی مرجع و پروب های ساده) ، هم هنگام انتشار FMS جدید ، و هم برای تصمیم گیری آگاهانه هنگام طراحی کارهای پایین دست برای استفاده از آنها.
📚 محتوای این محصول آموزشی (پکیج کامل)
علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیقتر و تسلط کامل بر مباحث مجموعهای از کتابهای آموزشی نیز ارائه میشود.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
