論文の概要: Automated Seed Quality Testing System using GAN & Active Learning

• arxiv url: http://arxiv.org/abs/2110.00777v1
• Date: Sat, 2 Oct 2021 10:28:25 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-05 15:19:34.723201
• Title: Automated Seed Quality Testing System using GAN & Active Learning
• Title（参考訳）: GANとアクティブラーニングを用いた種子品質自動テストシステム
• Authors: Sandeep Nagar, Prateek Pani, Raj Nair, Girish Varma
• Abstract要約: 私たちは、トップビューとボトムビューの両方をキャプチャする、新しいシード画像取得セットアップを構築します。 我々は、種子サンプルの物理的純度をテストするために、最大91.6%のアキュラシーを得ることができる。
• 参考スコア（独自算出の注目度）: 2.8978926857710263
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Quality assessment of agricultural produce is a crucial step in minimizing food stock wastage. However, this is currently done manually and often requires expert supervision, especially in smaller seeds like corn. We propose a novel computer vision-based system for automating this process. We build a novel seed image acquisition setup, which captures both the top and bottom views. Dataset collection for this problem has challenges of data annotation costs/time and class imbalance. We address these challenges by i.) using a Conditional Generative Adversarial Network (CGAN) to generate real-looking images for the classes with lesser images and ii.) annotate a large dataset with minimal expert human intervention by using a Batch Active Learning (BAL) based annotation tool. We benchmark different image classification models on the dataset obtained. We are able to get accuracies of up to 91.6% for testing the physical purity of seed samples.
• Abstract（参考訳）: 農産物の品質評価は、食品在庫を最小化するための重要なステップである。 しかし、現在は手作業で行われており、特にトウモロコシのような小さな種子では専門家の監督を必要とすることが多い。 本稿では,このプロセスを自動化するための新しいコンピュータビジョンベースシステムを提案する。 新しいシード画像取得セットアップを構築し、トップビューとボトムビューの両方をキャプチャします。 この問題のデータセット収集には、データアノテーションのコスト/時間とクラス不均衡の課題がある。 我々はこれらの課題に1人で対処する。 条件生成適応ネットワーク (CGAN) を用いて, より少ない画像とiiのクラスに対して, 現実的な画像を生成する。 ) バッチアクティブラーニング(bal)ベースのアノテーションツールを使用して、専門家による最小限の介入で大規模なデータセットに注釈を付ける。 得られたデータセットに異なる画像分類モデルをベンチマークする。 種子サンプルの物理的純度をテストするために、最大91.6%の精度を得ることができる。

関連論文リスト

• Food Image Classification and Segmentation with Attention-based Multiple Instance Learning [51.279800092581844]
  本稿では,食品画像分類とセマンティックセグメンテーションモデルを訓練するための弱教師付き方法論を提案する。 提案手法は、注意に基づくメカニズムと組み合わせて、複数のインスタンス学習アプローチに基づいている。 提案手法の有効性を検証するため,FoodSeg103データセット内の2つのメタクラスについて実験を行った。
  論文  参考訳（メタデータ） (2023-08-22T13:59:47Z)
• Semi-Supervised Learning for hyperspectral images by non parametrically predicting view assignment [25.198550162904713]
  ハイパースペクトル画像(HSI)分類は、画像中のスペクトル情報が高いため、現在、多くの勢いを増している。 近年,ラベル付きサンプルを最小限に抑えたディープラーニングモデルを効果的に訓練するために,ラベル付きサンプルも自己教師付きおよび半教師付き設定で活用されている。 本研究では,半教師付き学習の概念を利用して,モデルの識別的自己教師型事前学習を支援する。
  論文  参考訳（メタデータ） (2023-06-19T14:13:56Z)
• Agave crop segmentation and maturity classification with deep learning data-centric strategies using very high-resolution satellite imagery [101.18253437732933]
  超高解像度衛星画像を用いたAgave tequilana Weber azul crop segmentation and mature classificationを提案する。 実世界の深層学習問題を,作物の選別という非常に具体的な文脈で解決する。 結果として得られた正確なモデルにより、大規模地域で生産予測を行うことができる。
  論文  参考訳（メタデータ） (2023-03-21T03:15:29Z)
• Learning to Annotate Part Segmentation with Gradient Matching [58.100715754135685]
  本稿では,事前学習したGANを用いて,高品質な画像を生成することで,半教師付き部分分割タスクに対処することに焦点を当てる。 特に、アノテータ学習を学習から学習までの問題として定式化する。 提案手法は,実画像,生成された画像,さらには解析的に描画された画像を含む,幅広いラベル付き画像からアノテータを学習可能であることを示す。
  論文  参考訳（メタデータ） (2022-11-06T01:29:22Z)
• 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)
• Intelligent Masking: Deep Q-Learning for Context Encoding in Medical Image Analysis [48.02011627390706]
  我々は,対象地域を排除し,事前訓練の手順を改善する,新たな自己指導型アプローチを開発した。 予測モデルに対してエージェントを訓練することで、下流の分類タスクで抽出した意味的特徴を大幅に改善できることを示す。
  論文  参考訳（メタデータ） (2022-03-25T19:05:06Z)
• Benchmarking Representation Learning for Natural World Image Collections [13.918304838054846]
  iNat2021とNeWTの2つの新しい自然界視覚分類データセットを紹介します。 前者は市民科学アプリケーションinaturalistのユーザによってアップロードされた10k種の2.7m画像である。 標準種別を超越した難解な自然世界バイナリ分類タスク群において,表現学習アルゴリズムの性能ベンチマークを行った。 我々は,imagenet と inat2021 を監督することなく訓練された特徴抽出器の総合的な解析を行い,様々なタスクを通して異なる学習特徴の長所と短所について考察した。
  論文  参考訳（メタデータ） (2021-03-30T16:41:49Z)
• An Efficient Method for the Classification of Croplands in Scarce-Label Regions [0.0]
  衛星時系列画像による農地分類の主な課題は、地表面データ不足と、未開発地域における高品質のハイパースペクトル画像の到達不能である。 ラベルなしの中解像度衛星画像は豊富だが、その恩恵を受けるにはオープンな問題だ。 自監督タスクを用いた作物分類におけるその可能性の活用方法を示す。
  論文  参考訳（メタデータ） (2021-03-17T12:10:11Z)
• Continual Learning for Blind Image Quality Assessment [80.55119990128419]
  ブラインド画像品質評価(BIQA)モデルは、サブポピュレーションシフトに継続的に適応できない。 最近の研究では、利用可能なすべての人間評価のIQAデータセットの組み合わせに関するBIQAメソッドのトレーニングが推奨されている。 モデルがIQAデータセットのストリームから継続的に学習するBIQAの継続的学習を策定する。
  論文  参考訳（メタデータ） (2021-02-19T03:07:01Z)
• 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)

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。