論文の概要: An original framework for Wheat Head Detection using Deep, Semi-supervised and Ensemble Learning within Global Wheat Head Detection (GWHD) Dataset

• arxiv url: http://arxiv.org/abs/2009.11977v1
• Date: Thu, 24 Sep 2020 22:58:40 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-15 04:40:51.224190
• Title: An original framework for Wheat Head Detection using Deep, Semi-supervised and Ensemble Learning within Global Wheat Head Detection (GWHD) Dataset
• Title（参考訳）: global wheat head detection(gwhd)データセット内深層・半教師付き・アンサンブル学習を用いたコムギ頭部検出のためのオリジナルフレームワーク
• Authors: Fares Fourati, Wided Souidene, Rabah Attia
• Abstract要約: 本稿では,GWHD(Global Wheat Head Detection)データセットに適用したオブジェクト検出手法を提案する。 我々は、FasterRCNNとEfficientDetという2つの主要なオブジェクト検出アーキテクチャを経験してきた。 7か国の9か所の研究機関が主導するGWHDデータセット上で開始された研究課題を解決するために,本研究を提出した。
• 参考スコア（独自算出の注目度）: 0.6445605125467573
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we propose an original object detection methodology applied to Global Wheat Head Detection (GWHD) Dataset. We have been through two major architectures of object detection which are FasterRCNN and EfficientDet, in order to design a novel and robust wheat head detection model. We emphasize on optimizing the performance of our proposed final architectures. Furthermore, we have been through an extensive exploratory data analysis and adapted best data augmentation techniques to our context. We use semi supervised learning to boost previous supervised models of object detection. Moreover, we put much effort on ensemble to achieve higher performance. Finally we use specific post-processing techniques to optimize our wheat head detection results. Our results have been submitted to solve a research challenge launched on the GWHD Dataset which is led by nine research institutes from seven countries. Our proposed method was ranked within the top 6% in the above mentioned challenge.
• Abstract（参考訳）: 本稿では,GWHD(Global Wheat Head Detection)データセットに適用したオブジェクト検出手法を提案する。 我々はFasterRCNNとEfficientDetの2つの主要なオブジェクト検出アーキテクチャを通して、新規で堅牢な小麦の頭部検出モデルを設計してきた。 提案する最終アーキテクチャのパフォーマンスの最適化に重点を置いています。 さらに、我々は広範な探索データ分析を行い、我々の状況に最適なデータ拡張技術を適用した。 半教師付き学習を用いて、従来の教師付き物体検出モデルを強化する。 さらに,高いパフォーマンスを実現するために,アンサンブルに多大な努力を払った。 最後に、小麦の頭部検出結果を最適化するために、特定の後処理技術を使用する。 7か国9か国の研究所が主導するGWHDデータセット上で開始された研究課題を解決するため,本研究を提出した。 提案手法は上記の課題の上位6%にランクインした。

関連論文リスト

• Leveraging Mixture of Experts for Improved Speech Deepfake Detection [53.69740463004446]
  スピーチのディープフェイクは、個人のセキュリティとコンテンツの信頼性に重大な脅威をもたらす。 本研究では,Mixture of Expertsアーキテクチャを用いた音声深度検出性能の向上のための新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-09-24T13:24:03Z)
• PGNeXt: High-Resolution Salient Object Detection via Pyramid Grafting Network [24.54269823691119]
  本稿では、データセットとネットワークフレームワークの両方の観点から、より難解な高分解能サルエントオブジェクト検出(HRSOD)について述べる。 HRSODデータセットの欠如を補うため、UHRSDと呼ばれる大規模高解像度の高分解能物体検出データセットを慎重に収集した。 すべての画像はピクセルレベルで微妙にアノテートされ、以前の低解像度のSODデータセットをはるかに上回っている。
  論文  参考訳（メタデータ） (2024-08-02T09:31:21Z)
• Innovative Horizons in Aerial Imagery: LSKNet Meets DiffusionDet for Advanced Object Detection [55.2480439325792]
  本稿では,LSKNetのバックボーンをDiffusionDetヘッドに統合したオブジェクト検出モデルの詳細な評価を行う。 提案手法は平均精度(MAP)を約45.7%向上させる。 この進歩は、提案された修正の有効性を強調し、航空画像解析の新しいベンチマークを設定する。
  論文  参考訳（メタデータ） (2023-11-21T19:49:13Z)
• Domain Generalization of 3D Object Detection by Density-Resampling [14.510085711178217]
  ポイントクラウドベースの3Dオブジェクト検出は、新しいドメインギャップを持つデータに遭遇する際のパフォーマンス劣化に悩まされる。 対象領域に対する3次元物体検出の一般化性を向上させるためのSDG法を提案する。 本研究では,新しいデータ拡張手法を導入し,その方法論に新しいマルチタスク学習戦略を貢献する。
  論文  参考訳（メタデータ） (2023-11-17T20:01:29Z)
• Leveraging the Power of Data Augmentation for Transformer-based Tracking [64.46371987827312]
  トラッキング用にカスタマイズされた2つのデータ拡張手法を提案する。 まず、動的探索半径機構と境界サンプルのシミュレーションにより、既存のランダムトリミングを最適化する。 第2に,背景干渉などの問題に対するモデルを可能にする,トークンレベルの機能混在強化戦略を提案する。
  論文  参考訳（メタデータ） (2023-09-15T09:18:54Z)
• Weakly-supervised Contrastive Learning for Unsupervised Object Discovery [52.696041556640516]
  ジェネリックな方法でオブジェクトを発見できるため、教師なしのオブジェクト発見は有望である。 画像から高レベルな意味的特徴を抽出する意味誘導型自己教師学習モデルを設計する。 オブジェクト領域のローカライズのための主成分分析(PCA)を導入する。
  論文  参考訳（メタデータ） (2023-07-07T04:03:48Z)
• A Competitive Method to VIPriors Object Detection Challenge [13.024811732127615]
  本稿では,vipriors object detection challengeへの提案の技術的詳細を紹介する。 本稿では,bbox-jitter, grid-mask,mix-upを含むデータ問題に対処する効果的なデータ拡張手法を提案する。 また、より重要なROI機能を学ぶために、堅牢な関心領域(ROI)抽出方法も提示します。
  論文  参考訳（メタデータ） (2021-04-19T05:33:39Z)
• Boosting Weakly Supervised Object Detection with Progressive Knowledge Transfer [40.23657486941391]
  弱教師付き物体検出精度を高めるための効果的な知識伝達フレームワークを提案する。 情報源領域からの知識を一級普遍検出器で反復的に伝達し,対象領域検出器を学習する。 我々は、VOCテストセットで59.7%のmAPと、完全に教師されたFaster RCNNを再トレーニングした後で60.2%のmAPを達成した。
  論文  参考訳（メタデータ） (2020-07-15T20:38:25Z)
• Novel Human-Object Interaction Detection via Adversarial Domain Generalization [103.55143362926388]
  本研究では,新たな人-物間相互作用(HOI)検出の問題点を考察し,モデルの一般化能力を向上させることを目的とした。 この課題は、主に対象と述語の大きな構成空間に起因し、全ての対象と述語の組み合わせに対する十分な訓練データが欠如している。 本稿では,予測のためのオブジェクト指向不変の特徴を学習するために,対数領域の一般化の統一的な枠組みを提案する。
  論文  参考訳（メタデータ） (2020-05-22T22:02:56Z)
• Quantifying Data Augmentation for LiDAR based 3D Object Detection [139.64869289514525]
  そこで本研究では,光検出・ランドング(LiDAR)に基づく3次元物体検出において一般的に使用される,様々なデータ拡張手法について光を当てた。 本研究では,グローバルな拡張技術がシーン全体の点雲に適用され,ローカルな拡張技術がシーン内の個々のオブジェクトに属する点にのみ適用される,様々なグローバルおよびローカルな拡張技術について検討する。 以上の結果から,2種類のデータ拡張はパフォーマンス向上につながるが,個々のオブジェクト翻訳などの拡張技術は非生産的であり,全体的なパフォーマンスを損なう可能性があることがわかった。
  論文  参考訳（メタデータ） (2020-04-03T16:09:14Z)

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。