論文の概要: Image-based Automated Species Identification: Can Virtual Data
Augmentation Overcome Problems of Insufficient Sampling?
- arxiv url: http://arxiv.org/abs/2010.09009v1
- Date: Sun, 18 Oct 2020 15:44:45 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-06 04:13:44.326490
- Title: Image-based Automated Species Identification: Can Virtual Data
Augmentation Overcome Problems of Insufficient Sampling?
- Title（参考訳）: 画像に基づく自動種同定:仮想データ拡張はサンプリング不足の問題を克服できるか?
- Authors: Morris Klasen, Dirk Ahrens, Jonas Eberle, and Volker Steinhage
- Abstract要約: 視覚的種自動識別のための2段階データ拡張手法を提案する。
データ拡張の第1段階は、データ拡張と偽画像の生成という古典的なアプローチを適用している。
第2レベルのデータ拡張では、ベクトル空間におけるオーバーサンプリングアルゴリズムによって、特徴空間における合成的な追加サンプリングが採用されている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automated species identification and delimitation is challenging,
particularly in rare and thus often scarcely sampled species, which do not
allow sufficient discrimination of infraspecific versus interspecific
variation. Typical problems arising from either low or exaggerated
interspecific morphological differentiation are best met by automated methods
of machine learning that learn efficient and effective species identification
from training samples. However, limited infraspecific sampling remains a key
challenge also in machine learning. 1In this study, we assessed whether a
two-level data augmentation approach may help to overcome the problem of scarce
training data in automated visual species identification. The first level of
visual data augmentation applies classic approaches of data augmentation and
generation of faked images using a GAN approach. Descriptive feature vectors
are derived from bottleneck features of a VGG-16 convolutional neural network
(CNN) that are then stepwise reduced in dimensionality using Global Average
Pooling and PCA to prevent overfitting. The second level of data augmentation
employs synthetic additional sampling in feature space by an oversampling
algorithm in vector space (SMOTE). Applied on two challenging datasets of
scarab beetles (Coleoptera), our augmentation approach outperformed a
non-augmented deep learning baseline approach as well as a traditional 2D
morphometric approach (Procrustes analysis).
- Abstract（参考訳）: オートマチックな種同定と分解は、特に稀であり、しばしば希少なサンプル種では困難であり、不特定種と種間変異の十分な識別を許さない。
低または誇張された種間形態分化から生じる典型的な問題は、トレーニングサンプルから効率的かつ効果的な種識別を学ぶ機械学習の自動化方法によって最もよく合致する。
しかし、機械学習においても、限られた赤外線サンプリングが重要な課題である。
本研究では,2段階のデータ拡張アプローチが,視覚的種別の自動識別における訓練データの不足を克服するのに役立つかを検討した。
視覚データ拡張の第1段階は、GANアプローチを用いたデータ拡張と偽画像の生成の古典的なアプローチを適用している。
記述的特徴ベクトルは、vgg-16畳み込みニューラルネットワーク(cnn)のボトルネック特性から導き出され、グローバル平均プールとpcaを用いて段階的に次元が減少し、過剰フィッティングを防止する。
データ拡張の第2段階は、ベクトル空間におけるオーバーサンプリングアルゴリズム(SMOTE)による特徴空間における合成的な追加サンプリングである。
2つの難解な甲虫のデータセット(コレプテリウム科)を応用し、強化アプローチは従来の2次元形態計測手法(Procrustes analysis)と同様に、非強化ディープラーニングベースラインアプローチよりも優れていた。
関連論文リスト
- Open-Set Deepfake Detection: A Parameter-Efficient Adaptation Method with Forgery Style Mixture [58.60915132222421]
本稿では,顔偽造検出に汎用的かつパラメータ効率の高い手法を提案する。
フォージェリー・ソース・ドメインの多様性を増大させるフォージェリー・ミックス・フォーミュレーションを設計する。
設計したモデルは、トレーニング可能なパラメータを著しく減らし、最先端の一般化性を実現する。
論文 参考訳（メタデータ） (2024-08-23T01:53:36Z) - Leveraging Latent Diffusion Models for Training-Free In-Distribution Data Augmentation for Surface Defect Detection [9.784793380119806]
データ拡張のためのトレーニング不要な拡散型In-Distribution Anomaly GenerationパイプラインであるDIAGを紹介する。
従来の画像生成技術とは異なり、我々は、ドメインの専門家がモデルにマルチモーダルガイダンスを提供する、Human-in-the-loopパイプラインを実装している。
我々は、挑戦的なKSDD2データセットに対する最先端データ拡張アプローチに関して、DIAGの有効性と汎用性を実証する。
論文 参考訳（メタデータ） (2024-07-04T14:28:52Z) - MAPL: Memory Augmentation and Pseudo-Labeling for Semi-Supervised Anomaly Detection [0.0]
メモリ拡張(Memory Augmentation)と擬似ラベル(Pseudo-Labeling, MAPL)と呼ばれる, 産業環境における表面欠陥検出のための新しいメソドロジーを導入する。
この手法は、まず異常シミュレーション戦略を導入し、希少または未知の異常型を認識するモデルの能力を著しく改善する。
入力データから直接異常領域を識別するために、MAPLによってエンドツーエンドの学習フレームワークが使用される。
論文 参考訳（メタデータ） (2024-05-10T02:26:35Z) - Self-supervised Feature Adaptation for 3D Industrial Anomaly Detection [59.41026558455904]
具体的には,大規模ビジュアルデータセット上で事前学習されたモデルを利用した初期のマルチモーダルアプローチについて検討する。
本研究では,アダプタを微調整し,異常検出に向けたタスク指向の表現を学習するためのLSFA法を提案する。
論文 参考訳（メタデータ） (2024-01-06T07:30:41Z) - Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。
I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
論文 参考訳（メタデータ） (2023-08-31T05:05:53Z) - Cluster-level pseudo-labelling for source-free cross-domain facial
expression recognition [94.56304526014875]
表情認識のためのSFUDA法を提案する。
本手法は,自己教師付き事前学習を利用して,対象データから優れた特徴表現を学習する。
提案手法の有効性を4つの適応方式で検証し,FERに適用した場合,既存のSFUDA法より一貫して優れていることを示す。
論文 参考訳（メタデータ） (2022-10-11T08:24:50Z) - Decision Forest Based EMG Signal Classification with Low Volume Dataset
Augmented with Random Variance Gaussian Noise [51.76329821186873]
我々は6種類の手振りを限定的なサンプル数で分類できるモデルを作成し、より広い聴衆によく一般化する。
信号のランダムなバウンドの使用など、より基本的な手法のセットにアピールするが、これらの手法がオンライン環境で持てる力を示したいと考えている。
論文 参考訳（メタデータ） (2022-06-29T23:22:18Z) - Deep Feature Screening: Feature Selection for Ultra High-Dimensional
Data via Deep Neural Networks [4.212520096619388]
本稿では,Deep Feature Screening (DeepFS) と呼ばれる2段階の非パラメトリック手法を提案する。
DeepFSは、超高次元の低サンプルサイズのデータに対して、高精度で重要な特徴を識別することができる。
DeepFSの優位性は、広範囲なシミュレーション研究と実データ分析によって実証されている。
論文 参考訳（メタデータ） (2022-04-04T17:51:49Z) - Multiscale Convolutional Transformer with Center Mask Pretraining for
Hyperspectral Image Classificationtion [14.33259265286265]
本稿では,空間スペクトル情報の効率的な抽出を実現するために,高スペクトル画像(HSI)のための高速多スケール畳み込みモジュールを提案する。
マスクオートエンコーダと同様に、我々の事前学習法は、エンコーダ内の中央画素の対応するトークンのみをマスクし、残りのトークンをデコーダに入力し、中央画素のスペクトル情報を再構成する。
論文 参考訳（メタデータ） (2022-03-09T14:42:26Z) - Weakly Supervised Change Detection Using Guided Anisotropic Difusion [97.43170678509478]
我々は、このようなデータセットを変更検出の文脈で活用するのに役立つ独自のアイデアを提案する。
まず,意味的セグメンテーション結果を改善する誘導異方性拡散(GAD)アルゴリズムを提案する。
次に、変化検出に適した2つの弱い教師付き学習戦略の可能性を示す。
論文 参考訳（メタデータ） (2021-12-31T10:03:47Z) - Exploiting Invariance in Training Deep Neural Networks [4.169130102668252]
動物視覚システムの2つの基本的なメカニズムに触発され、ディープニューラルネットワークのトレーニングに不変性を与える特徴変換技術を紹介します。
結果として得られるアルゴリズムはパラメータチューニングを少なくし、初期学習率1.0でうまくトレーニングし、異なるタスクに簡単に一般化する。
ImageNet、MS COCO、Cityscapesデータセットでテストされた当社の提案手法は、トレーニングにより少ないイテレーションを必要とし、すべてのベースラインを大きなマージンで上回り、小規模および大規模のバッチサイズのトレーニングをシームレスに行い、画像分類、オブジェクト検出、セマンティックセグメンテーションの異なるコンピュータビジョンタスクに適用します。
論文 参考訳（メタデータ） (2021-03-30T19:18:31Z)
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。