論文の概要: Self-supervised learning -- A way to minimize time and effort for precision agriculture?

• arxiv url: http://arxiv.org/abs/2204.02100v1
• Date: Tue, 5 Apr 2022 10:44:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-06 19:37:13.655242
• Title: Self-supervised learning -- A way to minimize time and effort for precision agriculture?
• Title（参考訳）: 自己指導型学習 -- 精密農業の時間と労力を最小限にする方法?
• Authors: Michael L. Marszalek, Bertrand Le Saux, Pierre-Philippe Mathieu, Artur Nowakowski, Daniel Springer
• Abstract要約: 自己教師付き学習(SSL)は制限を克服し、既存のラベルなしデータを組み込むことができる。 作物型データセットを用いてSSLの実験を行い、教師付き手法と比較した。 実験では,新しいラベルが未知の年で収集されるべきかどうかを明らかにするために,SLLを使用した2018年をラベルなしで予測することに焦点を当てた。
• 参考スコア（独自算出の注目度）: 26.087244189340858
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning, satellites or local sensors are key factors for a sustainable and resource-saving optimisation of agriculture and proved its values for the management of agricultural land. Up to now, the main focus was on the enlargement of data which were evaluated by means of supervised learning methods. Nevertheless, the need for labels is also a limiting and time-consuming factor, while in contrast, ongoing technological development is already providing an ever-increasing amount of unlabeled data. Self-supervised learning (SSL) could overcome this limitation and incorporate existing unlabeled data. Therefore, a crop type data set was utilized to conduct experiments with SSL and compare it to supervised methods. A unique feature of our data set from 2016 to 2018 was a divergent climatological condition in 2018 that reduced yields and affected the spectral fingerprint of the plants. Our experiments focused on predicting 2018 using SLL without or a few labels to clarify whether new labels should be collected for an unknown year. Despite these challenging conditions, the results showed that SSL contributed to higher accuracies. We believe that the results will encourage further improvements in the field of precision farming, why the SSL framework and data will be published (Marszalek, 2021).
• Abstract（参考訳）: 機械学習、衛星、またはローカルセンサーは農業の持続的かつ資源節約のための重要な要素であり、農地の管理にその価値を証明した。 これまでの主な焦点は、教師付き学習手法によって評価されたデータの拡大であった。 それにもかかわらず、ラベルの必要性は制限的かつ時間を要する要素であり、対照的に、進行中の技術開発は、既にラベルなしデータの量が増え続けている。 自己教師付き学習(SSL)は、この制限を克服し、既存のラベルなしデータを組み込むことができる。 そのため、作物型データセットを用いてSSLの実験を行い、教師付き手法と比較した。 2016年から2018年までのデータセットのユニークな特徴は、収量を減らすことと、植物のスペクトル指紋に影響を及ぼす、異なる気候条件であった。 実験では,新しいラベルが未知の年で収集されるべきかどうかを明らかにするために,SLLを使用した2018年の予測に焦点を当てた。 これらの困難な状況にもかかわらず、結果はSSLがより高い精度に寄与したことを示している。 この結果が、sslフレームワークとデータが公開される理由である精密農業の分野におけるさらなる改善を促すと信じている(marszalek, 2021)。

関連論文リスト

• A Novel Fusion of Optical and Radar Satellite Data for Crop Phenology Estimation using Machine Learning and Cloud Computing [0.0]
  大地観測データユビキティの時代には、リモートセンシングデータに基づいて作物の表現学を正確に予測する試みが試みられている。 そこで我々は,新しい枠組みを用いて,ドイツ全土の8大作物と13の表現学的発達を30mスケールで推定した。
  論文  参考訳（メタデータ） (2024-08-16T13:44:35Z)
• Enhancing crop classification accuracy by synthetic SAR-Optical data generation using deep learning [0.0]
  農業地域では、優占作物は典型的には1種または2種であり、他の作物は少ない。 農作物の地図を作成するためにトレーニングサンプルを集める際には、支配的な作物からのサンプルが多数存在し、多数派を形成している。 提案手法は, マイノリティクラスにおけるサンプル数を大幅に増加させることができる, 高品質な合成データを生成することを実証した。
  論文  参考訳（メタデータ） (2024-02-03T11:07:50Z)
• Semi-Supervised Class-Agnostic Motion Prediction with Pseudo Label Regeneration and BEVMix [59.55173022987071]
  クラス非依存動作予測のための半教師あり学習の可能性について検討する。 我々のフレームワークは一貫性に基づく自己学習パラダイムを採用しており、ラベルのないデータからモデルを学習することができる。 本手法は,弱さと完全教師付き手法に匹敵する性能を示す。
  論文  参考訳（メタデータ） (2023-12-13T09:32:50Z)
• Label-Efficient Learning in Agriculture: A Comprehensive Review [15.117639286963604]
  著者らは、ラベル効率のよいML/DLメソッドを監督の度合いに応じて整理する原則的な分類法を開発した。 本稿では,これらのラベル効率アルゴリズムを利用した各種農業応用の体系的レビューを紹介する。
  論文  参考訳（メタデータ） (2023-05-24T03:53:20Z)
• Complementing Semi-Supervised Learning with Uncertainty Quantification [6.612035830987296]
  そこで本研究では,アレータ性およびてんかん性不確実性定量化に依存する,教師なし不確実性認識の新たな目的を提案する。 CIFAR-100やMini-ImageNetのような複雑なデータセットでは,結果が最先端の成果よりも優れています。
  論文  参考訳（メタデータ） (2022-07-22T00:15:02Z)
• Robust Deep Semi-Supervised Learning: A Brief Introduction [63.09703308309176]
  半教師付き学習(SSL)は、ラベルが不十分なときにラベル付きデータを活用することにより、学習性能を向上させることを目的としている。 ディープモデルによるSSLは、標準ベンチマークタスクで成功したことが証明されている。 しかし、それらは現実世界のアプリケーションにおける様々な堅牢性に対する脅威に対して依然として脆弱である。
  論文  参考訳（メタデータ） (2022-02-12T04:16:41Z)
• Taming Overconfident Prediction on Unlabeled Data from Hindsight [50.9088560433925]
  ラベルのないデータに対する予測の不確実性を最小化することは、半教師付き学習において優れた性能を達成するための鍵となる要素である。 本稿では,アダプティブシャーニング(Adaptive Sharpening, ADS)と呼ばれる2つのメカニズムを提案する。 ADSは、プラグインにすることで最先端のSSLメソッドを大幅に改善する。
  論文  参考訳（メタデータ） (2021-12-15T15:17:02Z)
• Self-supervised Learning is More Robust to Dataset Imbalance [65.84339596595383]
  データセット不均衡下での自己教師型学習について検討する。 既製の自己教師型表現は、教師型表現よりもクラス不均衡に対してすでに堅牢である。 我々は、不均衡なデータセット上でSSL表現品質を一貫して改善する、再重み付け正規化手法を考案した。
  論文  参考訳（メタデータ） (2021-10-11T06:29:56Z)
• Semi-supervised Long-tailed Recognition using Alternate Sampling [95.93760490301395]
  ロングテール認識の主な課題は、データ分布の不均衡とテールクラスにおけるサンプル不足である。 半教師付き長尾認識という新しい認識設定を提案する。 2つのデータセットで、他の競合方法よりも大幅な精度向上を実証します。
  論文  参考訳（メタデータ） (2021-05-01T00:43:38Z)
• Self-Tuning for Data-Efficient Deep Learning [75.34320911480008]
  セルフチューニングは、データ効率のよいディープラーニングを可能にする新しいアプローチである。 ラベル付きおよびラベルなしデータの探索と事前訓練されたモデルの転送を統一する。 SSLとTLの5つのタスクをシャープなマージンで上回ります。
  論文  参考訳（メタデータ） (2021-02-25T14:56:19Z)
• Semi-supervised learning objectives as log-likelihoods in a generative model of data curation [32.45282187405337]
  データキュレーションの生成モデルにおいて、SSLの目的をログライクな形式として定式化する。 おもちゃのデータにベイジアンSSLの証明を与える。
  論文  参考訳（メタデータ） (2020-08-13T13:50:27Z)

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。