論文の概要: How useful is Active Learning for Image-based Plant Phenotyping?

• arxiv url: http://arxiv.org/abs/2006.04255v3
• Date: Sat, 11 Jul 2020 07:07:28 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-24 08:22:25.215375
• Title: How useful is Active Learning for Image-based Plant Phenotyping?
• Title（参考訳）: イメージベース植物育種におけるアクティブラーニングの有用性
• Authors: Koushik Nagasubramanian, Talukder Z. Jubery, Fateme Fotouhi Ardakani, Seyed Vahid Mirnezami, Asheesh K. Singh, Arti Singh, Soumik Sarkar, and Baskar Ganapathysubramanian
• Abstract要約: 本研究では,ディープラーニングモデルに必要なラベル付け量を削減し,予測性能を向上する能動的学習アルゴリズムを提案する。 アクティブラーニング手法は, 取得関数を用いてアノテートするサンプルを適応的に選択し, 固定ラベル付予算下での最大(分類)性能を実現する。 固定ラベル付け予算では、アクティブな学習ベースの獲得戦略を持つディープラーニングモデルの分類性能が、両方のデータセットに対するランダムサンプリングベースの獲得よりも優れていることが観察された。
• 参考スコア（独自算出の注目度）: 7.056477977834818
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning models have been successfully deployed for a diverse array of image-based plant phenotyping applications including disease detection and classification. However, successful deployment of supervised deep learning models requires large amount of labeled data, which is a significant challenge in plant science (and most biological) domains due to the inherent complexity. Specifically, data annotation is costly, laborious, time consuming and needs domain expertise for phenotyping tasks, especially for diseases. To overcome this challenge, active learning algorithms have been proposed that reduce the amount of labeling needed by deep learning models to achieve good predictive performance. Active learning methods adaptively select samples to annotate using an acquisition function to achieve maximum (classification) performance under a fixed labeling budget. We report the performance of four different active learning methods, (1) Deep Bayesian Active Learning (DBAL), (2) Entropy, (3) Least Confidence, and (4) Coreset, with conventional random sampling-based annotation for two different image-based classification datasets. The first image dataset consists of soybean [Glycine max L. (Merr.)] leaves belonging to eight different soybean stresses and a healthy class, and the second consists of nine different weed species from the field. For a fixed labeling budget, we observed that the classification performance of deep learning models with active learning-based acquisition strategies is better than random sampling-based acquisition for both datasets. The integration of active learning strategies for data annotation can help mitigate labelling challenges in the plant sciences applications particularly where deep domain knowledge is required.
• Abstract（参考訳）: 深層学習モデルは、病気の検出や分類を含む多様なイメージベースの植物表現型アプリケーションのために、うまく展開されている。 しかし、教師付きディープラーニングモデルのデプロイの成功には、大量のラベル付きデータが必要である。 特に、データアノテーションは費用がかかり、労力がかかり、時間もかかり、特に病気に対する表現型タスクにはドメインの専門知識が必要です。 この課題を克服するために,ディープラーニングモデルが優れた予測性能を達成するために必要なラベル付け量を削減できる能動的学習アルゴリズムが提案されている。 アクティブラーニング手法は, 取得関数を用いてアノテートするサンプルを適応的に選択し, 固定ラベル付予算下での最大(分類)性能を実現する。 本報告では,(1)深部ベイズアクティブラーニング(dbal),(2)エントロピー(エントロピー),(3)最小信頼度,(4)コアセットの4つの異なるアクティブラーニング手法について,従来のランダムサンプリング型アノテーションを用いた2種類の画像ベース分類データセットの性能について報告する。 第1の画像データセットはダイズ(グリシンマックスl. (merr.))の葉を8つの異なるダイズストレスと健康なクラスに分け、第2のデータセットは9種の雑草から成り立っている。 固定的なラベリング予算では,データセットのランダムサンプリングによる獲得よりも,アクティブな学習に基づく獲得戦略を持つディープラーニングモデルの分類性能が優れていることがわかった。 データアノテーションに対するアクティブな学習戦略の統合は、特に深いドメイン知識が必要な植物科学アプリケーションにおけるラベリングの課題を軽減するのに役立つ。

関連論文リスト

• Active learning for efficient annotation in precision agriculture: a use-case on crop-weed semantic segmentation [0.0]
  アクティブラーニングは、大きな未ラベルプールから最も情報性の高い画像の識別と選択を容易にする。 アクティブな学習は、Cityscapesのようなベンチマークデータセットで有望な結果を示しているが、農業領域におけるパフォーマンスは、まだ明らかにされていない。 本研究は,3つの能動的学習に基づく獲得関数の比較研究を行うことにより,この研究ギャップに対処する。
  論文  参考訳（メタデータ） (2024-04-03T08:55:44Z)
• Stacking Ensemble Learning in Deep Domain Adaptation for Ophthalmic Image Classification [61.656149405657246]
  ドメイン適応は、十分なラベルデータを取得することが困難な画像分類タスクに有効である。 本稿では,3つのドメイン適応手法を拡張することで,アンサンブル学習を積み重ねるための新しい手法SELDAを提案する。 Age-Related Eye Disease Study (AREDS)ベンチマーク眼科データセットを用いた実験結果から,提案モデルの有効性が示された。
  論文  参考訳（メタデータ） (2022-09-27T14:19:00Z)
• Deep reinforced active learning for multi-class image classification [0.0]
  高精度な医用画像分類は、既存の画像のラベル付けに必要な時間と専門知識だけでなく、より多くのデータを取得するコストによって制限される。 本研究では,医療画像分類にアクティブラーニングを適用し,より大規模なデータプールから最小限のサブセット上でのモデル性能を最大化する手法を提案する。
  論文  参考訳（メタデータ） (2022-06-20T09:30:55Z)
• Tyger: Task-Type-Generic Active Learning for Molecular Property Prediction [121.97742787439546]
  分子の性質を正確に予測する方法は、AIによる薬物発見において重要な問題である。 アノテーションのコストを削減するため,注釈付けのための最も代表的で情報性の高いデータのみを選択するために,深層能動学習法が開発された。 本稿では,異なるタイプの学習タスクを統一的に処理できるタスク型汎用能動的学習フレームワーク(Tyger)を提案する。
  論文  参考訳（メタデータ） (2022-05-23T12:56:12Z)
• Optimizing Active Learning for Low Annotation Budgets [6.753808772846254]
  ディープラーニングでは、アクティブな学習は通常、微調整によって連続した深層モデルを更新する反復的なプロセスとして実装される。 移行学習にインスパイアされたアプローチを用いてこの問題に対処する。 本稿では,ALプロセスの反復性を利用してより堅牢なサンプルを抽出する新しい取得関数を提案する。
  論文  参考訳（メタデータ） (2022-01-18T18:53:10Z)
• Distribution Alignment: A Unified Framework for Long-tail Visual Recognition [52.36728157779307]
  長尾視覚認識のための分散アライメント戦略を提案する。 次に,二段階学習における一般化された再重み付け法を導入して,事前のクラスバランスをとる。 提案手法は, 4つの認識タスクすべてにおいて, 単純で統一されたフレームワークを用いて最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-03-30T14:09:53Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)
• 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)
• Confident Coreset for Active Learning in Medical Image Analysis [57.436224561482966]
  本稿では,情報的サンプルを効果的に選択するための,不確実性と分散性を考慮した新しい能動的学習手法である信頼コアセットを提案する。 2つの医用画像解析タスクの比較実験により,本手法が他の活動的学習方法より優れていることを示す。
  論文  参考訳（メタデータ） (2020-04-05T13:46:16Z)

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。