論文の概要: Weakly Supervised Attention-based Models Using Activation Maps for Citrus Mite and Insect Pest Classification

• arxiv url: http://arxiv.org/abs/2110.00881v1
• Date: Sat, 2 Oct 2021 21:42:22 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-05 15:48:08.193885
• Title: Weakly Supervised Attention-based Models Using Activation Maps for Citrus Mite and Insect Pest Classification
• Title（参考訳）: アクティベーションマップを用いたアテンションベースモデルによるシトラスマイトと昆虫害虫の分類
• Authors: Edson Bollis, Helena Maia, Helio Pedrini, Sandra Avila
• Abstract要約: 本研究は、小領域の分類を改善するために、注意に基づくアクティベーションマップ手法を提案する。 本稿では,Saliency Maps によるAttention-based Multiple Instance Learning Guided と呼ばれる2段階のネットワークプロセスに適用する。 われわれのアプローチでは、有能な昆虫の箱の位置を推測し、位置ラベルなしで訓練する。
• 参考スコア（独自算出の注目度）: 7.6197178280107725
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Citrus juices and fruits are commodities with great economic potential in the international market, but productivity losses caused by mites and other pests are still far from being a good mark. Despite the integrated pest mechanical aspect, only a few works on automatic classification have handled images with orange mite characteristics, which means tiny and noisy regions of interest. On the computational side, attention-based models have gained prominence in deep learning research, and, along with weakly supervised learning algorithms, they have improved tasks performed with some label restrictions. In agronomic research of pests and diseases, these techniques can improve classification performance while pointing out the location of mites and insects without specific labels, reducing deep learning development costs related to generating bounding boxes. In this context, this work proposes an attention-based activation map approach developed to improve the classification of tiny regions called Two-Weighted Activation Mapping, which also produces locations using feature map scores learned from class labels. We apply our method in a two-stage network process called Attention-based Multiple Instance Learning Guided by Saliency Maps. We analyze the proposed approach in two challenging datasets, the Citrus Pest Benchmark, which was captured directly in the field using magnifying glasses, and the Insect Pest, a large pest image benchmark. In addition, we evaluate and compare our models with weakly supervised methods, such as Attention-based Deep MIL and WILDCAT. The results show that our classifier is superior to literature methods that use tiny regions in their classification tasks, surpassing them in all scenarios by at least 16 percentage points. Moreover, our approach infers bounding box locations for salient insects, even training without any location labels.
• Abstract（参考訳）: カンキツジュースや果物は、国際市場で大きな経済的可能性を持つ商品であるが、ダニや他の害虫による生産性の低下は、いまだに良い兆しには程遠い。 害虫の機械的な側面が統合されているにもかかわらず、オレンジダニの特徴を持つ画像を扱う自動分類の研究はごくわずかである。 計算面では、注意に基づくモデルがディープラーニング研究で注目を集め、弱い教師付き学習アルゴリズムとともに、いくつかのラベル制限によりタスクが改善された。 害虫や病気の農業研究において、これらの手法は特定のラベルのないダニや昆虫の位置を指摘しながら分類性能を向上させることができ、境界ボックスの生成に関連するディープラーニング開発コストを削減できる。 そこで本研究では,クラスラベルから学習した特徴マップスコアを用いて,2重活性化マップと呼ばれる小さな領域の分類を改善するために,注目に基づくアクティベーションマップ手法を提案する。 本手法は,saliency mapを用いた注意に基づく複数インスタンス学習と呼ばれる2段階ネットワークプロセスに適用する。 提案手法は,拡大ガラスを用いて現場で直接捕獲したcitrus pestベンチマークと,大型の害虫画像ベンチマークであるpetestを用いて,2つの難解なデータセットで解析した。 さらに,本モデルとアテンションベースのDeep MILやWILDCATなどの弱教師付き手法との比較を行った。 その結果、分類器は分類タスクで小領域を使用する文献手法よりも優れており、全てのシナリオにおいて少なくとも16ポイント以上であることがわかった。 さらに,本手法では,有能な昆虫のボックス位置を推定し,位置ラベルのないトレーニングも行う。

関連論文リスト

• InsectMamba: Insect Pest Classification with State Space Model [8.470757741028661]
  InsectMambaは、ステートスペースモデル(SSM)、畳み込みニューラルネットワーク(CNN)、マルチヘッド自己認識機構(MSA)、マルチレイヤパーセプトロン(MLP)をMix-SSMブロックに統合する新しいアプローチである。 5種類の害虫分類データセットの強い競争相手に対して評価された。
  論文  参考訳（メタデータ） (2024-04-04T17:34:21Z)
• Aphid Cluster Recognition and Detection in the Wild Using Deep Learning Models [17.65292847038642]
  アフィドの寄生は作物生産、農村社会、世界の食料安全保障に重大な脅威をもたらす。 本稿では,アフィドクラスタの検出にディープラーニングモデルを用いることに主眼を置いている。 そこで本研究では,アフィドクラスターの検出により感染レベルを推定する手法を提案する。
  論文  参考訳（メタデータ） (2023-08-10T23:53:07Z)
• Habitat classification from satellite observations with sparse annotations [4.164845768197488]
  リモートセンシングデータを用いた生息地分類とマッピング手法を提案する。 この方法は、フィールドから収集された細粒度でスパースな単一ピクセルアノテーションを使用することによって特徴付けられる。 本研究では, 収穫増量, 試験時間増量, 半教師付き学習が, さらに分類の助けとなることを示す。
  論文  参考訳（メタデータ） (2022-09-26T20:14:59Z)
• SparseDet: Improving Sparsely Annotated Object Detection with Pseudo-positive Mining [76.95808270536318]
  Pseudo- positive mining を用いてラベル付き地域とラベルなし地域を分離するエンド・ツー・エンドシステムを提案する。 ラベル付き領域は通常通り処理されるが、ラベルなし領域の処理には自己教師付き学習が使用される。 我々は,PASCAL-VOCとCOCOデータセットの5つの分割に対して,最先端の性能を達成するための徹底的な実験を行った。
  論文  参考訳（メタデータ） (2022-01-12T18:57:04Z)
• Few-Shot Fine-Grained Action Recognition via Bidirectional Attention and Contrastive Meta-Learning [51.03781020616402]
  現実世界のアプリケーションで特定のアクション理解の需要が高まっているため、きめ細かいアクション認識が注目を集めている。 そこで本研究では,各クラスに付与されるサンプル数だけを用いて,新規なきめ細かい動作を認識することを目的とした,数発のきめ細かな動作認識問題を提案する。 粒度の粗い動作では進展があったが、既存の数発の認識手法では、粒度の細かい動作を扱う2つの問題に遭遇する。
  論文  参考訳（メタデータ） (2021-08-15T02:21:01Z)
• Rethinking Pseudo Labels for Semi-Supervised Object Detection [84.697097472401]
  物体検出に適した確実な擬似ラベルを導入する。 我々は,クラス不均衡問題を緩和するために,各カテゴリの擬似ラベルと再重み付き損失関数を生成するために使用する閾値を動的に調整する。 提案手法では,COCOのラベル付きデータのみを用いて,教師付きベースラインを最大10%改善する。
  論文  参考訳（メタデータ） (2021-06-01T01:32:03Z)
• Cooperative Bi-path Metric for Few-shot Learning [50.98891758059389]
  数発の分類問題の調査に2つの貢献をしている。 本稿では,従来の教師あり学習法において,ベースクラスで訓練されたシンプルで効果的なベースラインについて報告する。 本稿では, 基礎クラスと新しいクラス間の相関を利用して, 精度の向上を図る, 分類のための協調的二経路計量を提案する。
  論文  参考訳（メタデータ） (2020-08-10T11:28:52Z)
• 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)
• Weakly Supervised Learning Guided by Activation Mapping Applied to a Novel Citrus Pest Benchmark [6.239768930024569]
  統合害虫管理(Integrated pest Management)は、シトラス作物の害虫や病気による被害を予防・緩和するために最も広く用いられるプロセスである。 我々は、画像に対する関心領域を自動的に選択するために、サリエンシマップによって導かれる弱教師付き学習プロセスを設計する。 2つの大規模データセットで行った実験から,農業分野における害虫の分類と病気の分類の問題に対して,本研究の結果は非常に有望であることが明らかとなった。
  論文  参考訳（メタデータ） (2020-04-22T01:26:50Z)
• Rectified Meta-Learning from Noisy Labels for Robust Image-based Plant Disease Diagnosis [64.82680813427054]
  植物病は食料安全保障と作物生産に対する主要な脅威の1つである。 1つの一般的なアプローチは、葉画像分類タスクとしてこの問題を変換し、強力な畳み込みニューラルネットワーク(CNN)によって対処できる。 本稿では,正規化メタ学習モジュールを共通CNNパラダイムに組み込んだ新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-17T09:51:30Z)

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。