論文の概要: Multi-Domain Few-Shot Learning and Dataset for Agricultural Applications
- arxiv url: http://arxiv.org/abs/2109.09952v1
- Date: Tue, 21 Sep 2021 04:20:18 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-22 14:19:56.691485
- Title: Multi-Domain Few-Shot Learning and Dataset for Agricultural Applications
- Title（参考訳）: 農業用マルチドメインFew-Shot学習とデータセット
- Authors: Sai Vidyaranya Nuthalapati, Anirudh Tunga
- Abstract要約: そこで本研究では,いくつかのサンプルから異なる害虫,植物,その病原体を自動分類する手法を提案する。
埋め込みを生成する機能抽出器を学習し、Transformerを使って埋め込みを更新する。
モデル全体を包括的に解析するために42の実験を行い、画像分類ベンチマークで最大14%と24%のパフォーマンス向上を達成した。
- 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: Automatic classification of pests and plants (both healthy and diseased) is
of paramount importance in agriculture to improve yield. Conventional deep
learning models based on convolutional neural networks require thousands of
labeled examples per category. In this work we propose a method to learn from a
few samples to automatically classify different pests, plants, and their
diseases, using Few-Shot Learning (FSL). We learn a feature extractor to
generate embeddings and then update the embeddings using Transformers. Using
Mahalanobis distance, a class-covariance-based metric, we then calculate the
similarity of the transformed embeddings with the embedding of the image to be
classified. Using our proposed architecture, we conduct extensive experiments
on multiple datasets showing the effectiveness of our proposed model. We
conduct 42 experiments in total to comprehensively analyze the model and it
achieves up to 14% and 24% performance gains on few-shot image classification
benchmarks on two datasets.
We also compile a new FSL dataset containing images of healthy and diseased
plants taken in real-world settings. Using our proposed architecture which has
been shown to outperform several existing FSL architectures in agriculture, we
provide strong baselines on our newly proposed dataset.
- Abstract（参考訳）: 害虫や植物(健康と病気の両方)の自動分類は、収量を改善するために農業において最重要である。
畳み込みニューラルネットワークに基づく従来のディープラーニングモデルは、カテゴリごとに数千のラベル付きサンプルを必要とする。
本研究では、Few-Shot Learning (FSL)を用いて、いくつかのサンプルから学習し、異なる害虫、植物、病気を自動的に分類する方法を提案する。
埋め込みを生成する機能抽出器を学習し、Transformerを使って埋め込みを更新する。
クラス共分散に基づく計量であるマハラノビス距離を用いて、変換された埋め込みと分類される画像の埋め込みとの類似性を計算する。
提案するアーキテクチャを用いて,提案モデルの有効性を示す複数のデータセットについて広範な実験を行った。
モデル全体を包括的に解析するために42の実験を行い、2つのデータセット上の数ショット画像分類ベンチマークで14%と24%のパフォーマンス向上を達成した。
また、実環境下での健康・病原植物の画像を含む新たなFSLデータセットをコンパイルする。
提案したアーキテクチャは農業における既存のFSLアーキテクチャよりも優れており,新たに提案したデータセットに強いベースラインを提供する。
関連論文リスト
- A Framework for Fine-Tuning LLMs using Heterogeneous Feedback [69.51729152929413]
ヘテロジニアスフィードバックを用いた大規模言語モデル(LLM)の微調整フレームワークを提案する。
まず、不均一なフィードバックデータをSFTやRLHFなどの手法と互換性のある単一の監視形式にまとめる。
次に、この統合されたフィードバックデータセットから、性能向上を得るために高品質で多様なサブセットを抽出する。
論文 参考訳（メタデータ） (2024-08-05T23:20:32Z) - Multi-Label Plant Species Classification with Self-Supervised Vision Transformers [0.0]
植物CLEF 2024 コンペティションのための自己教師型ビジョントランスフォーマ (DINOv2) を用いた移動学習手法を提案する。
大規模データセットの計算課題に対処するために、分散データ処理にSparkを使用します。
本研究は,複数ラベル画像分類タスクにおいて,転送学習と高度なデータ処理技術を組み合わせることの有効性を示す。
論文 参考訳（メタデータ） (2024-07-08T18:07:33Z) - Diversified in-domain synthesis with efficient fine-tuning for few-shot
classification [64.86872227580866]
画像分類は,クラスごとのラベル付き例の小さなセットのみを用いて,画像分類器の学習を目的としている。
合成データを用いた数ショット学習における一般化問題に対処する新しいアプローチである DisEF を提案する。
提案手法を10種類のベンチマークで検証し,ベースラインを一貫して上回り,数ショット分類のための新しい最先端の手法を確立した。
論文 参考訳（メタデータ） (2023-12-05T17:18:09Z) - Inside Out: Transforming Images of Lab-Grown Plants for Machine Learning
Applications in Agriculture [0.0]
我々は,室内の植物像をフィールド画像として解釈するために,コントラッシブ・アンペア変換 (CUT) 生成敵ネットワーク (GAN) を用いる。
我々は,1つの植物のみを含むイメージを翻訳するようにネットワークを訓練する一方で,複数の植物野画像を生成するために容易に拡張可能であることを示す。
また, 人工マルチプラント画像を用いて, いくつかのYoloV5ナノオブジェクト検出モデルを訓練し, 植物検出を行う。
論文 参考訳（メタデータ） (2022-11-05T20:51:45Z) - 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) - CHALLENGER: Training with Attribution Maps [63.736435657236505]
ニューラルネットワークのトレーニングに属性マップを利用すると、モデルの正規化が向上し、性能が向上することを示す。
特に、我々の汎用的なドメインに依存しないアプローチは、ビジョン、自然言語処理、時系列タスクにおける最先端の結果をもたらすことを示す。
論文 参考訳（メタデータ） (2022-05-30T13:34:46Z) - Investigating classification learning curves for automatically generated
and labelled plant images [0.1338174941551702]
本研究では,異なる生育段階のマニトバ草原に共通する作物や雑草を代表とする植物画像のデータセットを提示する。
本稿では、ResNetアーキテクチャを用いて、このデータに基づく分類タスクの学習曲線を決定する。
ラベルノイズとトレーニング可能なパラメータの低減が,このデータセットの学習曲線に与える影響について検討する。
論文 参考訳（メタデータ） (2022-05-22T23:28:42Z) - 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) - Adversarial Feature Hallucination Networks for Few-Shot Learning [84.31660118264514]
Adversarial Feature Hallucination Networks (AFHN) は条件付き Wasserstein Generative Adversarial Network (cWGAN) に基づいている。
合成された特徴の識別性と多様性を促進するために、2つの新規レギュレータがAFHNに組み込まれている。
論文 参考訳（メタデータ） (2020-03-30T02:43:16Z) - Scalable learning for bridging the species gap in image-based plant
phenotyping [2.208242292882514]
ディープラーニング(データ収集、注釈付け、トレーニング)を適用する従来のパラダイムは、イメージベースの植物表現には適用できない。
データコストには、物理的サンプルの育成、イメージングとラベル付けが含まれる。
モデル性能は、各植物種のドメイン間の種間ギャップによって影響を受ける。
論文 参考訳（メタデータ） (2020-03-24T10:26:40Z)
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。