論文の概要: Global Wheat Challenge 2020: Analysis of the competition design and winning models

• arxiv url: http://arxiv.org/abs/2105.06182v1
• Date: Thu, 13 May 2021 10:41:09 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-14 20:35:36.108875
• Title: Global Wheat Challenge 2020: Analysis of the competition design and winning models
• Title（参考訳）: Global Wheat Challenge 2020: 競争設計と勝利モデルの分析
• Authors: Etienne David, Franklin Ogidi, Wei Guo, Frederic Baret, Ian Stavness
• Abstract要約: 我々は,フィールド画像からコムギの頭部を検出する方法が世界中の様々な地域で有効かどうかを確認するため,Global Wheat Challengeを一般化コンペティションとして開発した。 我々は、競争の設計は、より堅牢な勝利ソリューションを獲得するために、勝利ソリューションの選択に影響を与え、将来の競争のための推奨を提供することを発見しました。
• 参考スコア（独自算出の注目度）: 14.423431783217797
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Data competitions have become a popular approach to crowdsource new data analysis methods for general and specialized data science problems. In plant phenotyping, data competitions have a rich history, and new outdoor field datasets have potential for new data competitions. We developed the Global Wheat Challenge as a generalization competition to see if solutions for wheat head detection from field images would work in different regions around the world. In this paper, we analyze the winning challenge solutions in terms of their robustness and the relative importance of model and data augmentation design decisions. We found that the design of the competition influence the selection of winning solutions and provide recommendations for future competitions in an attempt to garner more robust winning solutions.
• Abstract（参考訳）: データコンペティションは、一般および専門的なデータサイエンス問題に対する新しいデータ分析手法をクラウドソースする一般的なアプローチとなっている。 植物表現型では、データコンペティションは豊富な歴史を持ち、新しい屋外フィールドデータセットは新たなデータコンペティションの可能性を秘めている。 我々は,フィールド画像からコムギの頭部を検出する方法が世界中の様々な地域で有効かどうかを確認するため,Global Wheat Challengeを開発した。 本稿では,その頑健さと,モデルおよびデータ拡張設計決定の相対的重要性の観点から,勝者の挑戦解を解析する。 コンペティションの設計が勝敗ソリューションの選択に影響を与え、より堅牢な勝敗ソリューションの獲得を目的として、将来のコンペティションにレコメンデーションを提供することがわかった。

関連論文リスト

• Ensemble Learning to Assess Dynamics of Affective Experience Ratings and Physiological Change [15.094086415816632]
  理論的仮定とデータ駆動手法を組み合わせたデータ解析ソリューションを提案する。 この戦略により、テストセットにおけるRMSE全体の1.19が得られた。
  論文  参考訳（メタデータ） (2023-12-26T12:53:57Z)
• Academic competitions [61.592427413342975]
  この章では、機械学習とその関連分野の文脈における学術的課題について調査する。 ここ数年で最も影響力のあるコンペをレビューし、知識領域における課題を分析します。 科学的な課題,その目標,主要な成果,今後の数年間の期待を概観する。
  論文  参考訳（メタデータ） (2023-12-01T01:01:04Z)
• Benchmarking Robustness and Generalization in Multi-Agent Systems: A Case Study on Neural MMO [50.58083807719749]
  IJCAI 2022で開催されている第2回Neural MMOチャレンジの結果を報告する。 この競合はマルチエージェントシステムの堅牢性と一般化をターゲットにしている。 環境ラッパー、ベースライン、可視化ツール、そしてさらなる研究のための選択されたポリシーを含むベンチマークをオープンソースにします。
  論文  参考訳（メタデータ） (2023-08-30T07:16:11Z)
• Competitions in AI -- Robustly Ranking Solvers Using Statistical Resampling [9.02080113915613]
  比較結果の標準的な解釈から得られたランキングは、評価の基礎として使われるベンチマークインスタンスセットのマイナーな変更にも非常に敏感であることを示す。 本稿では,性能データの再サンプリングに基づく競争結果の統計的に有意な分析手法を提案する。 提案手法は,競合スコアの信頼区間を生成するとともに,有界誤差を持つ統計的に堅牢な解法ランキングを生成する。
  論文  参考訳（メタデータ） (2023-08-09T16:47:04Z)
• Why is the winner the best? [78.74409216961632]
  IEEE I SBI 2021 と MICCAI 2021 の範囲で実施した80のコンペすべてを対象に,マルチセンターで実施した。 勝者となるソリューションとしては、マルチタスク学習(63%)、マルチステージパイプライン(61%)、拡大(100%)、画像前処理(97%)、データキュレーション(79%)、後処理(66%)などがある。 高ランクのチームでは、メソッド設計におけるメトリクスの反映と、障害ケースの分析と処理に焦点を当てた2つの中核的な開発戦略が目立った。
  論文  参考訳（メタデータ） (2023-03-30T21:41:42Z)
• A portfolio-based analysis method for competition results [0.8680676599607126]
  本稿では,コンペティションに参加する問題解決者のパフォーマンスを補完するポートフォリオベースの分析手法について述べる。 本手法はMiniZinc Challengesの結果に示され,ポートフォリオの観点から得られた新たな知見が提示される。
  論文  参考訳（メタデータ） (2022-05-30T20:20:45Z)
• Retrospective on the 2021 BASALT Competition on Learning from Human Feedback [92.37243979045817]
  競争の目的は、人間のフィードバック(LfHF)技術から学び、オープンワールドの課題を解決するエージェントへの研究を促進することであった。 LfHF技術の使用を義務付けるのではなく、ビデオゲームMinecraftで達成すべき自然言語の4つのタスクについて説明した。 チームは、様々な可能な人間のフィードバックタイプにまたがる多様なLfHFアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2022-04-14T17:24:54Z)
• Towards robust and domain agnostic reinforcement learning competitions [12.731614722371376]
  強化学習コンペティションは標準研究ベンチマークの基礎を形成している。 それにもかかわらず、ほとんどの課題は、同じ根本的な問題に悩まされている。 本稿では,これらの障壁を克服するアルゴリズムの開発を促進する,競争設計の新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2021-06-07T16:15:46Z)
• The MineRL 2020 Competition on Sample Efficient Reinforcement Learning using Human Priors [62.9301667732188]
  我々は,MineRLコンペティションの第2イテレーションを提案する。 競争の主な目標は、人間のデモンストレーションを効率的に活用できるアルゴリズムの開発を促進することです。 コンペティションは、データセットと環境のペアバージョンが複数提供される2ラウンドで構成されている。 各ラウンドの終わりに、競合他社はコンテナ化された学習アルゴリズムをaicrowdプラットフォームに提出する。
  論文  参考訳（メタデータ） (2021-01-26T20:32:30Z)
• Analysing Affective Behavior in the First ABAW 2020 Competition [49.90617840789334]
  ABAW(Affective Behavior Analysis in-the-Wild) 2020コンペティションは、3つの主要な行動タスクの自動分析を目的とした最初のコンペティションである。 アルゼンチンのブエノスアイレスで2020年5月に開催されたIEEE Face and Gesture Recognitionと共同で開催されるこのコンペティションについて説明する。 評価指標を概説し,ベースラインシステムとトップ3の実施するチームの方法論をチャレンジ毎に提示し,その結果を最終的に提示する。
  論文  参考訳（メタデータ） (2020-01-30T15:41:14Z)

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。