論文の概要: Scalable learning for bridging the species gap in image-based plant phenotyping

• arxiv url: http://arxiv.org/abs/2003.10757v2
• Date: Fri, 24 Apr 2020 02:50:45 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-20 09:18:26.556638
• Title: Scalable learning for bridging the species gap in image-based plant phenotyping
• Title（参考訳）: イメージベース植物表現における種間ギャップを埋めるためのスケーラブルな学習
• Authors: Daniel Ward, Peyman Moghadam
• Abstract要約: ディープラーニング(データ収集、注釈付け、トレーニング)を適用する従来のパラダイムは、イメージベースの植物表現には適用できない。 データコストには、物理的サンプルの育成、イメージングとラベル付けが含まれる。 モデル性能は、各植物種のドメイン間の種間ギャップによって影響を受ける。
• 参考スコア（独自算出の注目度）: 2.208242292882514
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The traditional paradigm of applying deep learning -- collect, annotate and train on data -- is not applicable to image-based plant phenotyping as almost 400,000 different plant species exists. Data costs include growing physical samples, imaging and labelling them. Model performance is impacted by the species gap between the domain of each plant species, it is not generalisable and may not transfer to unseen plant species. In this paper, we investigate the use of synthetic data for leaf instance segmentation. We study multiple synthetic data training regimes using Mask-RCNN when few or no annotated real data is available. We also present UPGen: a Universal Plant Generator for bridging the species gap. UPGen leverages domain randomisation to produce widely distributed data samples and models stochastic biological variation. Our methods outperform standard practices, such as transfer learning from publicly available plant data, by 26.6% and 51.46% on two unseen plant species respectively. We benchmark UPGen by competing in the CVPPP Leaf Segmentation Challenge and set a new state-of-the-art, a mean of 88% across A1-4 test datasets. This study is applicable to use of synthetic data for automating the measurement of phenotypic traits. Our synthetic dataset and pretrained model are available at https://csiro-robotics.github.io/UPGen_Webpage/.
• Abstract（参考訳）: 深層学習を適用する従来のパラダイムは、40万種近い植物種が存在するため、画像ベースの植物表現には適用できない。 データコストには、物理的サンプルの成長、イメージングとラベル付けが含まれる。 モデル性能は、各植物種のドメイン間の種間ギャップによって影響されるが、汎用性がなく、目に見えない植物種への移動もできない。 本稿では,リーフインスタンスのセグメンテーションにおける合成データの利用について検討する。 注釈付き実データが少ない場合,Mask-RCNNを用いて複数の合成データトレーニングシステムについて検討する。 種間ギャップを埋めるユニバーサルプラントジェネレータUPGenについても紹介する。 UPGenはドメインのランダム化を利用して、広く分散したデータサンプルを生成し、確率的生物学的変異をモデル化する。 本手法は,2種の未確認植物に対して,公開植物データからの移動学習を26.6%,51.46%向上させるなど,標準的手法よりも優れていた。 CVPPPリーフセグメンテーションチャレンジ(Leaf Segmentation Challenge)に出場してUPGenをベンチマークし、A1-4テストデータセットの平均88%の最先端を新たに設定しました。 本研究は,表現型形質の自動測定における合成データの利用に適用できる。 我々の合成データセットと事前訓練されたモデルはhttps://csiro-robotics.github.io/UPGen_Webpage/.comで入手できる。

関連論文リスト

• DreamDA: Generative Data Augmentation with Diffusion Models [68.22440150419003]
  本稿では,新しい分類指向フレームワークDreamDAを提案する。 DreamDAは、オリジナルのデータのトレーニングイメージを種として考慮して、オリジナルのデータ分布に準拠する多様なサンプルを生成する。 また、生成したデータのラベルは、対応するシード画像のラベルと一致しない可能性があるため、擬似ラベルを生成するための自己学習パラダイムを導入する。
  論文  参考訳（メタデータ） (2024-03-19T15:04:35Z)
• Training Class-Imbalanced Diffusion Model Via Overlap Optimization [55.96820607533968]
  実世界のデータセットで訓練された拡散モデルは、尾クラスの忠実度が劣ることが多い。 拡散モデルを含む深い生成モデルは、豊富な訓練画像を持つクラスに偏りがある。 本研究では,異なるクラスに対する合成画像の分布の重複を最小限に抑えるために,コントラスト学習に基づく手法を提案する。
  論文  参考訳（メタデータ） (2024-02-16T16:47:21Z)
• Spatial Implicit Neural Representations for Global-Scale Species Mapping [72.92028508757281]
  ある種が観察された場所の集合を考えると、その種がどこにいても存在しないかを予測するためのモデルを構築することが目的である。 従来の手法は、新たな大規模クラウドソースデータセットを活用するのに苦労している。 本研究では,47k種の地理的範囲を同時に推定するために,空間入射ニューラル表現(SINR)を用いる。
  論文  参考訳（メタデータ） (2023-06-05T03:36:01Z)
• Few-Shot Learning Enables Population-Scale Analysis of Leaf Traits in Populus trichocarpa [1.9089478605920305]
  この研究は、(i)最小のトレーニングデータを必要とする高速で正確な画像ベースの特徴抽出のための方法と、(ii)68種類の葉の表現型を含む新しい集団規模のデータセットを、ドメイン科学者や機械学習研究者向けに植物表現型コミュニティに提供するように設計されている。 数発の学習コード、データ、結果はすべて公開されています。
  論文  参考訳（メタデータ） (2023-01-24T23:40:01Z)
• Inside Out: Transforming Images of Lab-Grown Plants for Machine Learning Applications in Agriculture [0.0]
  我々は,室内の植物像をフィールド画像として解釈するために,コントラッシブ・アンペア変換 (CUT) 生成敵ネットワーク (GAN) を用いる。 我々は,1つの植物のみを含むイメージを翻訳するようにネットワークを訓練する一方で,複数の植物野画像を生成するために容易に拡張可能であることを示す。 また, 人工マルチプラント画像を用いて, いくつかのYoloV5ナノオブジェクト検出モデルを訓練し, 植物検出を行う。
  論文  参考訳（メタデータ） (2022-11-05T20:51:45Z)
• Multi-Domain Few-Shot Learning and Dataset for Agricultural Applications [0.0]
  そこで本研究では,いくつかのサンプルから異なる害虫,植物,その病原体を自動分類する手法を提案する。 埋め込みを生成する機能抽出器を学習し、Transformerを使って埋め込みを更新する。 モデル全体を包括的に解析するために42の実験を行い、画像分類ベンチマークで最大14%と24%のパフォーマンス向上を達成した。
  論文  参考訳（メタデータ） (2021-09-21T04:20:18Z)
• Mitigating Generation Shifts for Generalized Zero-Shot Learning [52.98182124310114]
  一般化ゼロショット学習(英: Generalized Zero-Shot Learning、GZSL)は、学習中に見知らぬクラスが観察できない、見つからないサンプルを認識するために意味情報(属性など)を活用するタスクである。 本稿では,未知のデータ合成を効率よく,効率的に学習するための新しい生成シフト緩和フローフレームワークを提案する。 実験結果から,GSMFlowは従来のゼロショット設定と一般化されたゼロショット設定の両方において,最先端の認識性能を実現することが示された。
  論文  参考訳（メタデータ） (2021-07-07T11:43:59Z)
• Classification of Seeds using Domain Randomization on Self-Supervised Learning Frameworks [0.0]
  鍵となるボトルネックは、畳み込みニューラルネットワーク(CNN)をトレーニングする大量のラベル付きデータの必要性である。 この研究は、これを達成するために、コントラスト学習とドメインランダム化の概念を活用している。 実世界の画像の表象的サンプル作物から生成された合成画像の使用は、大量のテスト対象の必要性を軽減する。
  論文  参考訳（メタデータ） (2021-03-29T12:50:06Z)
• Pre-Trained Models for Heterogeneous Information Networks [57.78194356302626]
  異種情報ネットワークの特徴を捉えるための自己教師付き事前学習・微調整フレームワークPF-HINを提案する。 PF-HINは4つのデータセットにおいて、各タスクにおける最先端の代替よりも一貫して、大幅に優れています。
  論文  参考訳（メタデータ） (2020-07-07T03:36:28Z)
• Two-View Fine-grained Classification of Plant Species [66.75915278733197]
  本研究では,2視点の葉のイメージ表現に基づく新しい手法と,植物種の粒度認識のための階層的分類戦略を提案する。 シームズ畳み込みニューラルネットワークに基づく深度測定は、多数のトレーニングサンプルへの依存を減らし、新しい植物種に拡張性を持たせるために用いられる。
  論文  参考訳（メタデータ） (2020-05-18T21:57:47Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。