論文の概要: Self-supervised Representation Learning for Reliable Robotic Monitoring
of Fruit Anomalies
- arxiv url: http://arxiv.org/abs/2109.10135v1
- Date: Tue, 21 Sep 2021 12:41:02 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-22 14:28:13.206774
- Title: Self-supervised Representation Learning for Reliable Robotic Monitoring
of Fruit Anomalies
- Title（参考訳）: 果実異常の信頼性ロボットモニタリングのための自己教師付き表現学習
- Authors: Taeyeong Choi, Owen Would, Adrian Salazar-Gomez, Grzegorz Cielniak
- Abstract要約: 最先端の強化手法は、典型的な画像上に焦点対象の構造的特異性を任意に埋め込む。
このような構造に敏感な表現を学習することは、いくつかの異常なクラスに対する最適でないアプローチである、と我々は主張する。
ニューラルネットワークモデルに「カラー不規則性」の符号化を学習するための新しいデータ拡張手法としてチャネルランダム化を提案する。
- 参考スコア（独自算出の注目度）: 4.530678016396477
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Data augmentation can be a simple yet powerful tool for autonomous robots to
fully utilise available data for self-supervised identification of atypical
scenes or objects. State-of-the-art augmentation methods arbitrarily embed
structural peculiarity in focal objects on typical images so that classifying
these artefacts can provide guidance for learning representations for the
detection of anomalous visual inputs. In this paper, however, we argue that
learning such structure-sensitive representations can be a suboptimal approach
to some classes of anomaly (e.g., unhealthy fruits) which are better recognised
by a different type of visual element such as "colour". We thus propose Channel
Randomisation as a novel data augmentation method for restricting neural
network models to learn encoding of "colour irregularity" whilst predicting
channel-randomised images to ultimately build reliable fruit-monitoring robots
identifying atypical fruit qualities. Our experiments show that (1) the
colour-based alternative can better learn representations for consistently
accurate identification of fruit anomalies in various fruit species, and (2)
validation accuracy can be monitored for early stopping of training due to
positive correlation between the colour-learning task and fruit anomaly
detection. Moreover, the proposed approach is evaluated on a new anomaly
dataset Riseholme-2021, consisting of 3:5K strawberry images collected from a
mobile robot, which we share with the community to encourage active
agri-robotics research.
- Abstract（参考訳）: データ拡張は、自律ロボットが非定型的なシーンやオブジェクトの自己教師あり識別のために利用可能なデータを完全に活用するための、シンプルで強力なツールである。
定型画像に焦点対象の構造的特異性を任意に埋め込むことにより、これらの成果物を分類することで、異常な視覚的入力を検出するための学習表現のガイダンスを提供することができる。
しかし,本論文では,このような構造に敏感な表現を学習することは,例えば「色」などの異なる視覚的要素によってよりよく認識される,異常(例えば不健康な果実)のクラスに対する準最適アプローチであると論じる。
そこで我々は,ニューラルネットワークモデルに"カラー不規則性"のエンコーディングを学習するための新しいデータ拡張手法として,チャネルランダム化(Channel Randomization)を提案する。
本研究は,(1)異なる果実種における果実異常の同定を一貫して行うための表現をより正確に学習し,(2)色彩学習課題と果実異常検出との正の相関により,学習早期停止のための検証精度をモニターできることを示す。
さらに,移動ロボットから収集した3:5Kのイチゴ画像からなる,新たな異常データセットRiseholme-2021をコミュニティと共有し,アグリ-ロボティクス研究の活発化を図る。
関連論文リスト
- Neural Lineage [56.34149480207817]
本稿では,親子間の系統関係の発見を目的としたニューラルライン検出という新しいタスクを提案する。
実用上,ニューラルネットワーク表現類似度指標に微調整プロセスの近似を組み込んだ学習自由アプローチを導入する。
精度を追求するために,エンコーダと変圧器検出器からなる学習系系統検出装置を導入する。
論文 参考訳（メタデータ） (2024-06-17T01:11:53Z) - Grad-CAMO: Learning Interpretable Single-Cell Morphological Profiles from 3D Cell Painting Images [0.0]
教師付き特徴抽出器のための新しい単一セル解釈可能性スコアであるGrad-CAMOを紹介する。
Grad-CAMOは、関心の細胞と背景の細胞に集中しているモデルの注意率を測定する。
論文 参考訳（メタデータ） (2024-03-26T11:48:37Z) - Free-ATM: Exploring Unsupervised Learning on Diffusion-Generated Images
with Free Attention Masks [64.67735676127208]
テキストと画像の拡散モデルは、画像認識の恩恵を受ける大きな可能性を示している。
有望ではあるが、拡散生成画像の教師なし学習に特化した調査は不十分である。
上記フリーアテンションマスクをフル活用することで、カスタマイズされたソリューションを導入する。
論文 参考訳（メタデータ） (2023-08-13T10:07:46Z) - Semantic Image Segmentation with Deep Learning for Vine Leaf Phenotyping [59.0626764544669]
本研究では,ブドウの葉のイメージを意味的にセグメント化するためにDeep Learning法を用いて,葉の表現型自動検出システムを開発した。
私たちの研究は、成長や開発のような動的な特性を捉え定量化できる植物ライフサイクルのモニタリングに寄与します。
論文 参考訳（メタデータ） (2022-10-24T14:37:09Z) - Self-Supervised Vision Transformers Learn Visual Concepts in
Histopathology [5.164102666113966]
我々は、様々な弱い教師付きおよびパッチレベルのタスクに対する検証を行い、様々な自己教師付きモデルを訓練することにより、病理学における良い表現を探索する。
我々の重要な発見は、DINOベースの知識蒸留を用いたビジョントランスフォーマーが、組織像におけるデータ効率と解釈可能な特徴を学習できることを発見したことである。
論文 参考訳（メタデータ） (2022-03-01T16:14:41Z) - Masked prediction tasks: a parameter identifiability view [49.533046139235466]
マスク付きトークンの予測に広く用いられている自己教師型学習手法に着目する。
いくつかの予測タスクは識別可能性をもたらすが、他のタスクはそうではない。
論文 参考訳（メタデータ） (2022-02-18T17:09:32Z) - On the use of Cortical Magnification and Saccades as Biological Proxies
for Data Augmentation [9.848635287149355]
ほとんどの自己監督的手法は、同じ画像の異なる変換の不変表現を学習するようシステムに促す。
本稿では,これらの強化のリバースエンジニアリングを,生物学的あるいは知覚学的に妥当なものにしようと試みる。
ランダムな収穫は皮質の倍率によって代用でき、画像のササードライクなサンプリングも表現学習に役立てることができる。
論文 参考訳（メタデータ） (2021-12-14T05:38:26Z) - Focus on the Positives: Self-Supervised Learning for Biodiversity
Monitoring [9.086207853136054]
ラベルのない画像コレクションから自己教師付き表現を学習する問題に対処する。
我々は,入力画像間の空間的関係や時間的関係などの情報を符号化する,手軽に利用可能なコンテキストデータを利用する。
地球生物多様性監視の重要課題として、人間の監督が限定された視覚的種分類タスクに適応可能な画像特徴があげられる。
論文 参考訳（メタデータ） (2021-08-14T01:12:41Z) - CutPaste: Self-Supervised Learning for Anomaly Detection and
Localization [59.719925639875036]
通常のトレーニングデータのみを用いて異常検知器を構築するためのフレームワークを提案する。
まず、自己教師付き深層表現を学習し、学習した表現の上に生成的1クラス分類器を構築する。
MVTec異常検出データセットに関する実証研究は,提案アルゴリズムが実世界の様々な欠陥を検出可能であることを実証している。
論文 参考訳（メタデータ） (2021-04-08T19:04:55Z) - From Hand-Perspective Visual Information to Grasp Type Probabilities:
Deep Learning via Ranking Labels [6.772076545800592]
Plackett-Luceモデルに基づいた新しい確率分類器を構築し、把握上の確率分布を予測する。
提案モデルは,最もポピュラーで生産性の高い畳み込みニューラルネットワークフレームワークに適用可能であることを示す。
論文 参考訳（メタデータ） (2021-03-08T16:12:38Z) - Stereopagnosia: Fooling Stereo Networks with Adversarial Perturbations [71.00754846434744]
知覚不能な加法的摂動は,差分マップを著しく変更できることを示す。
敵データ拡張に使用すると、我々の摂動はより堅牢なトレーニングされたモデルをもたらすことを示す。
論文 参考訳（メタデータ） (2020-09-21T19:20:09Z)
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。