Fugu-MT 論文翻訳(概要): Performance Evaluation of Deep Transfer Learning on Multiclass Identification of Common Weed Species in Cotton Production Systems

論文の概要: Performance Evaluation of Deep Transfer Learning on Multiclass Identification of Common Weed Species in Cotton Production Systems

arxiv url: http://arxiv.org/abs/2110.04960v1
Date: Mon, 11 Oct 2021 01:51:48 GMT
ステータス: 処理完了
システム内更新日: 2021-10-12 18:01:56.155930
Title: Performance Evaluation of Deep Transfer Learning on Multiclass Identification of Common Weed Species in Cotton Production Systems
Title（参考訳）: コットン生産システムにおける雑草種多種識別におけるディープトランスファー学習の性能評価
Authors: Dong Chen, Yuzhen Lu, Zhaojiang Li, Sierra Young
Abstract要約: 本稿では,アメリカ南部の綿花生産システムに特有の雑草を同定するために,DTL(Deep Transfer Learning)を総合的に評価する。自然光条件および雑草生育段階の異なる15種類の雑草群5187色画像からなる雑草識別用データセットを作成した。 DTLはF1スコアの高い分類精度を95%以上達成し、モデル間でのトレーニング時間(2.5時間未満)を合理的に短縮する必要があった。
参考スコア（独自算出の注目度）: 3.427330019009861
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Precision weed management offers a promising solution for sustainable cropping systems through the use of chemical-reduced/non-chemical robotic weeding techniques, which apply suitable control tactics to individual weeds. Therefore, accurate identification of weed species plays a crucial role in such systems to enable precise, individualized weed treatment. This paper makes a first comprehensive evaluation of deep transfer learning (DTL) for identifying common weeds specific to cotton production systems in southern United States. A new dataset for weed identification was created, consisting of 5187 color images of 15 weed classes collected under natural lighting conditions and at varied weed growth stages, in cotton fields during the 2020 and 2021 field seasons. We evaluated 27 state-of-the-art deep learning models through transfer learning and established an extensive benchmark for the considered weed identification task. DTL achieved high classification accuracy of F1 scores exceeding 95%, requiring reasonably short training time (less than 2.5 hours) across models. ResNet101 achieved the best F1-score of 99.1% whereas 14 out of the 27 models achieved F1 scores exceeding 98.0%. However, the performance on minority weed classes with few training samples was less satisfactory for models trained with a conventional, unweighted cross entropy loss function. To address this issue, a weighted cross entropy loss function was adopted, which achieved substantially improved accuracies for minority weed classes. Furthermore, a deep learning-based cosine similarity metrics was employed to analyze the similarity among weed classes, assisting in the interpretation of classifications. Both the codes for model benchmarking and the weed dataset are made publicly available, which expect to be be a valuable resource for future research in weed identification and beyond.
Abstract（参考訳）: 精密雑草管理は, 個別雑草に適切な制御方法を適用する化学還元型・非化学式ロボット雑草技術を用いて, 持続可能な雑草システムに有望な解決策を提供する。そのため, 雑草の正確な同定は, 個別の雑草処理を可能にする上で重要な役割を担っている。本稿では,米国南部の綿花生産システムに特有の雑草を同定するために,DTL(Deep Transfer Learning)を総合的に評価する。新しい雑草識別用データセットが作成され、2020年と2021年のフィールドシーズンに綿花畑で、自然の照明条件下で収集された15種類の雑草類の5187色画像が作成された。移動学習により27種類の最先端深層学習モデルを評価し,検討された雑草識別課題の広範な評価基準を確立した。 dtlは95%以上のf1スコアを高い分類精度で達成し、モデル間でかなり短いトレーニング時間(2.5時間未満)を要した。 ResNet101は99.1%のF1スコアを獲得し、27台中14台は98.0%を超えた。しかし, 従来の非重み付きクロスエントロピー損失関数を用いたモデルでは, トレーニングサンプルが少ないマイノリティ雑草群の性能は良好ではなかった。この問題に対処するために, マイノリティー雑草集団の格付けを著しく改善した重み付きクロスエントロピー損失関数が採用された。さらに,深層学習に基づくコサイン類似度尺度を用いて,雑草類間の類似度を分析し,分類の解釈を支援する。モデルベンチマークのためのコードとweedデータセットの両方が公開されている。

関連論文リスト

A Saliency-based Clustering Framework for Identifying Aberrant Predictions [49.1574468325115]
本稿では, 異常予測の概念を導入し, 分類誤差の性質が頻度と同じくらい重要であることを強調した。本稿では,誤分類率の低減と異常予測の識別を両立する,新しい,効率的なトレーニング手法を提案する。本手法を獣医学の分野である獣医学の分野に応用し, 被曝率は高いが, 人体医学に比べて広く研究されていない。
論文参考訳（メタデータ） (2023-11-11T01:53:59Z)
WeedCLR: Weed Contrastive Learning through Visual Representations with Class-Optimized Loss in Long-Tailed Datasets [3.0516727053033392]
本稿では,視覚表現を用いた雑草コントラスト学習手法を提案する。 WeedCLRは、長い尾のデータセットにおける雑草分類の深部表現のフォン・ノイマン・エントロピーによるクラス最適化損失を使用する。平均精度はCottonWeedID15で4.3%、DeepWeedsで5.6%向上した。
論文参考訳（メタデータ） (2023-10-19T04:46:20Z)
Deep Data Augmentation for Weed Recognition Enhancement: A Diffusion Probabilistic Model and Transfer Learning Based Approach [17.860192771292713]
本稿では,拡散確率モデルを用いて高品質な合成雑草画像を生成する方法を提案する。開発されたアプローチは、いくつかの最先端のGANモデルより一貫して優れている。合成雑草画像による拡張データセットは、雑草分類タスクのための4つのディープラーニング(DL)モデルにおけるモデルパフォーマンスを向上させる可能性がある。
論文参考訳（メタデータ） (2022-10-18T01:00:25Z)
MetaRF: Differentiable Random Forest for Reaction Yield Prediction with a Few Trails [58.47364143304643]
本稿では,反応収率予測問題に焦点をあてる。筆者らはまず,数発の収量予測のために特別に設計された,注意に基づく識別可能なランダム森林モデルであるMetaRFを紹介した。数発の学習性能を改善するために,さらに次元還元に基づくサンプリング手法を導入する。
論文参考訳（メタデータ） (2022-08-22T06:40:13Z)
Partial and Asymmetric Contrastive Learning for Out-of-Distribution Detection in Long-Tailed Recognition [80.07843757970923]
既存のOOD検出手法は,トレーニングセットが長距離分布している場合,大幅な性能劣化に悩まされていることを示す。本稿では,部分的および非対称的な教師付きコントラスト学習(PASCL)を提案する。我々の手法は従来の最先端の手法を1.29%$, $1.45%$, $0.69%$異常検出偽陽性率(FPR)と$3.24%$, 4,.06%$, 7,89%$in-distributionで上回ります。
論文参考訳（メタデータ） (2022-07-04T01:53:07Z)
Semi-supervised Contrastive Learning with Similarity Co-calibration [72.38187308270135]
SsCL(Semi-supervised Contrastive Learning)と呼ばれる新しいトレーニング戦略を提案する。 ssclは、自己教師付き学習におけるよく知られたコントラスト損失と、半教師付き学習におけるクロスエントロピー損失を組み合わせる。 SsCLはより差別的な表現を生じさせ,ショット学習に有益であることを示す。
論文参考訳（メタデータ） (2021-05-16T09:13:56Z)
A Survey of Deep Learning Techniques for Weed Detection from Images [4.96981595868944]
既存の深層学習に基づく雑草検出・分類手法を検討する。その結果,ほとんどの研究が教師あり学習手法を適用し,高い分類精度を達成した。過去の実験は、大量のラベル付きデータが利用できる場合に既に高い精度を達成している。
論文参考訳（メタデータ） (2021-03-02T02:02:24Z)
Unassisted Noise Reduction of Chemical Reaction Data Sets [59.127921057012564]
本稿では,データセットから化学的に間違ったエントリを除去するための,機械学習に基づく無支援アプローチを提案する。その結果,クリーン化およびバランスの取れたデータセットでトレーニングしたモデルの予測精度が向上した。
論文参考訳（メタデータ） (2021-02-02T09:34:34Z)
Weed Density and Distribution Estimation for Precision Agriculture using Semi-Supervised Learning [0.0]
雑草密度と分布のロバストな推定のための深層学習に基づく半教師付き手法を提案する。本研究では、作物や雑草を含む前景の植生画素を、畳み込みニューラルネットワーク(CNN)に基づく教師なしセグメンテーションを用いて最初に同定する。雑草感染地域は、細調整されたCNNを用いて識別され、手作りの特徴を設計する必要がなくなる。
論文参考訳（メタデータ） (2020-11-04T09:35:53Z)
Crop and weed classification based on AutoML [2.1300809288243188]
CNNモデルは、文献に報告されている95%以上の精度で作物と雑草の分類において、すでに重要な役割を担っている。本稿では,作物と雑草の分類に新たな目的関数を付加した自律型機械学習を適用し,精度の向上と農作物の伐採率の低下を図った。
論文参考訳（メタデータ） (2020-10-28T02:35:17Z)
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)

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。