論文の概要: Classification of Seeds using Domain Randomization on Self-Supervised Learning Frameworks

• arxiv url: http://arxiv.org/abs/2103.15578v1
• Date: Mon, 29 Mar 2021 12:50:06 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-30 22:26:26.783256
• Title: Classification of Seeds using Domain Randomization on Self-Supervised Learning Frameworks
• Title（参考訳）: 自己教師付き学習フレームワークにおけるドメインランダム化による種子の分類
• Authors: Venkat Margapuri and Mitchell Neilsen
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The first step toward Seed Phenotyping i.e. the comprehensive assessment of complex seed traits such as growth, development, tolerance, resistance, ecology, yield, and the measurement of pa-rameters that form more complex traits is the identification of seed type. Generally, a plant re-searcher inspects the visual attributes of a seed such as size, shape, area, color and texture to identify the seed type, a process that is tedious and labor-intensive. Advances in the areas of computer vision and deep learning have led to the development of convolutional neural networks (CNN) that aid in classification using images. While they classify efficiently, a key bottleneck is the need for an extensive amount of labelled data to train the CNN before it can be put to the task of classification. The work leverages the concepts of Contrastive Learning and Domain Randomi-zation in order to achieve the same. Briefly, domain randomization is the technique of applying models trained on images containing simulated objects to real-world objects. The use of synthetic images generated from a representational sample crop of real-world images alleviates the need for a large volume of test subjects. As part of the work, synthetic image datasets of five different types of seed images namely, canola, rough rice, sorghum, soy and wheat are applied to three different self-supervised learning frameworks namely, SimCLR, Momentum Contrast (MoCo) and Build Your Own Latent (BYOL) where ResNet-50 is used as the backbone in each of the networks. When the self-supervised models are fine-tuned with only 5% of the labels from the synthetic dataset, results show that MoCo, the model that yields the best performance of the self-supervised learning frameworks in question, achieves an accuracy of 77% on the test dataset which is only ~13% less than the accuracy of 90% achieved by ResNet-50 trained on 100% of the labels.
• Abstract（参考訳）: Seed Phenotyping への第一歩。 成長、発達、耐性、抵抗性、生態、収量などの複雑な種子形質の包括的評価と、より複雑な形質を形成するパラメータの測定は、種型の同定である。 一般的に、植物再調査者は、種子の種類を識別するために、種子のサイズ、形状、面積、色、テクスチャなどの視覚特性を検査する。 コンピュータビジョンとディープラーニングの分野での進歩は、画像を用いた分類を支援する畳み込みニューラルネットワーク(CNN)の開発につながった。 それらは効率的に分類されるが、鍵となるボトルネックは、分類のタスクに投入する前にcnnを訓練するための大量のラベル付きデータが必要であることである。 この仕事は、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する。 簡単に言えば、ドメインランダム化は、シミュレーション対象を含むイメージに基づいて訓練されたモデルを現実世界のオブジェクトに適用するテクニックである。 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。 この研究の一環として、シムclr、運動量コントラスト(moco)、およびresnet-50をネットワークのバックボーンとして使用する独自の潜在性(byol)という3つの異なる自己教師付き学習フレームワークに、カノーラ、荒米、ソルガム、大豆、小麦の5種類の種画像合成画像データセットを適用する。 自己教師型モデルが合成データセットからラベルのわずか5%で微調整された場合、その結果、自己教師型学習フレームワークの最高のパフォーマンスをもたらすモデルであるMoCoは、テストデータセット上で77%の精度を達成し、その精度は、100%のラベルでトレーニングされたResNet-50が達成した90%の精度よりわずか13%低い。

関連論文リスト

• Local-to-Global Self-Supervised Representation Learning for Diabetic Retinopathy Grading [0.0]
  本研究では,自己指導型学習と知識蒸留を用いた新しいハイブリッド学習モデルを提案する。 我々のアルゴリズムでは、自己教師型学習および知識蒸留モデルの中で初めて、テストデータセットがトレーニングデータセットよりも50%大きい。 類似の最先端モデルと比較すると,より高精度で効率的な表現空間が得られた。
  論文  参考訳（メタデータ） (2024-10-01T15:19:16Z)
• Deep Domain Adaptation: A Sim2Real Neural Approach for Improving Eye-Tracking Systems [80.62854148838359]
  眼球画像のセグメンテーションは、最終視線推定に大きな影響を及ぼす眼球追跡の重要なステップである。 対象視線画像と合成訓練データとの重なり合いを測定するために,次元還元法を用いている。 提案手法は,シミュレーションと実世界のデータサンプルの相違に対処する際の頑健で,性能が向上する。
  論文  参考訳（メタデータ） (2024-03-23T22:32:06Z)
• Diffusion-based Data Augmentation for Nuclei Image Segmentation [68.28350341833526]
  核セグメンテーションのための拡散法を初めて導入する。 このアイデアは、多数のラベル付き画像を合成し、セグメンテーションモデルを訓練することを目的としている。 実験の結果,10%のラベル付き実データセットを合成サンプルで拡張することにより,同等のセグメンテーション結果が得られることがわかった。
  論文  参考訳（メタデータ） (2023-10-22T06:16:16Z)
• 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)
• End-to-end deep learning for directly estimating grape yield from ground-based imagery [53.086864957064876]
  本研究は, ブドウ畑の収量推定に深層学習と併用した近位画像の応用を実証する。 オブジェクト検出、CNN回帰、トランスフォーマーモデルという3つのモデルアーキテクチャがテストされた。 本研究は,ブドウの収量予測における近位画像と深層学習の適用性を示した。
  論文  参考訳（メタデータ） (2022-08-04T01:34:46Z)
• Facilitated machine learning for image-based fruit quality assessment in developing countries [68.8204255655161]
  自動画像分類は食品科学における教師あり機械学習の一般的な課題である。 事前学習型視覚変換器(ViT)に基づく代替手法を提案する。 標準的なデバイス上で限られたリソースで簡単に実装できる。
  論文  参考訳（メタデータ） (2022-07-10T19:52:20Z)
• A Comprehensive Study of Image Classification Model Sensitivity to Foregrounds, Backgrounds, and Visual Attributes [58.633364000258645]
  このデータセットをRIVAL10と呼びます。 本研究では,前景,背景,属性の騒音劣化に対する幅広いモデルの感度を評価する。 本稿では,多種多様な最先端アーキテクチャ (ResNets, Transformers) とトレーニング手順 (CLIP, SimCLR, DeiT, Adversarial Training) について考察する。
  論文  参考訳（メタデータ） (2022-01-26T06:31:28Z)
• Enlisting 3D Crop Models and GANs for More Data Efficient and Generalizable Fruit Detection [0.0]
  本稿では,合成3次元作物モデルドメインから実世界の作物ドメインへの農業画像生成手法を提案する。 本手法は, 果実の位置と形状を保存するために, 意味的に制約されたGAN (generative adversarial network) を用いる。 ブドウ品種検出タスクにおける増分訓練実験により,本手法から生成した画像がドメインプロセスを大幅に高速化できることが判明した。
  論文  参考訳（メタデータ） (2021-08-30T16:11:59Z)
• Semantic Segmentation with Generative Models: Semi-Supervised Learning and Strong Out-of-Domain Generalization [112.68171734288237]
  本論文では,画像とラベルの再生モデルを用いた識別画素レベルのタスクのための新しいフレームワークを提案する。 我々は,共同画像ラベルの分布を捕捉し,未ラベル画像の大規模な集合を用いて効率的に訓練する生成的対向ネットワークを学習する。 ドメイン内性能をいくつかのベースラインと比較し,ドメイン外一般化を極端に示す最初の例である。
  論文  参考訳（メタデータ） (2021-04-12T21:41:25Z)
• Seed Phenotyping on Neural Networks using Domain Randomization and Transfer Learning [0.0]
  種子表現型は、種子の形態的特性を分析して、その挙動を発達、耐性、収量の観点から予測する考え方である。 研究の焦点は、最先端のオブジェクト検出およびローカリゼーションネットワークの適用および実現可能性分析である。
  論文  参考訳（メタデータ） (2020-12-24T14:04:28Z)
• Multi-Spectral Image Synthesis for Crop/Weed Segmentation in Precision Farming [3.4788711710826083]
  本稿では, 精密農業における作物・雑草の分枝化問題に適用し, 共通データ増分法に関する代替手法を提案する。 我々は、最も関連性の高いオブジェクトクラス(作物や雑草)を合成されたクラスに置き換えることで、半人工的なサンプルを作成する。 RGBデータに加えて、近赤外(NIR)情報も考慮し、4つのチャネルマルチスペクトル合成画像を生成する。
  論文  参考訳（メタデータ） (2020-09-12T08:49:36Z)

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。