論文の概要: Transfer Learning from Synthetic In-vitro Soybean Pods Dataset for In-situ Segmentation of On-branch Soybean Pod

• arxiv url: http://arxiv.org/abs/2204.10902v1
• Date: Fri, 22 Apr 2022 19:36:28 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-28 06:57:24.276834
• Title: Transfer Learning from Synthetic In-vitro Soybean Pods Dataset for In-situ Segmentation of On-branch Soybean Pod
• Title（参考訳）: オンブランチ大豆ポッドのその場セグメンテーションのための合成インビトロ大豆ポッドデータセットからの移動学習
• Authors: Si Yang, Lihua Zheng, Xieyuanli Chen, Laura Zabawa, Man Zhang, Minjuan Wang
• Abstract要約: 成熟したダイズ植物は複雑な構造で、ポッドは互いに頻繁に触れ合っている。 ディープラーニングベースの手法は、正確なトレーニングと強力な一般化能力を達成することができる。 人工ダイズポッドからの転写学習を提案する。
• 参考スコア（独自算出の注目度）: 8.1210112132886
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The mature soybean plants are of complex architecture with pods frequently touching each other, posing a challenge for in-situ segmentation of on-branch soybean pods. Deep learning-based methods can achieve accurate training and strong generalization capabilities, but it demands massive labeled data, which is often a limitation, especially for agricultural applications. As lacking the labeled data to train an in-situ segmentation model for on-branch soybean pods, we propose a transfer learning from synthetic in-vitro soybean pods. First, we present a novel automated image generation method to rapidly generate a synthetic in-vitro soybean pods dataset with plenty of annotated samples. The in-vitro soybean pods samples are overlapped to simulate the frequently physically touching of on-branch soybean pods. Then, we design a two-step transfer learning. In the first step, we finetune an instance segmentation network pretrained by a source domain (MS COCO dataset) with a synthetic target domain (in-vitro soybean pods dataset). In the second step, transferring from simulation to reality is performed by finetuning on a few real-world mature soybean plant samples. The experimental results show the effectiveness of the proposed two-step transfer learning method, such that AP$_{50}$ was 0.80 for the real-world mature soybean plant test dataset, which is higher than that of direct adaptation and its AP$_{50}$ was 0.77. Furthermore, the visualizations of in-situ segmentation results of on-branch soybean pods show that our method performs better than other methods, especially when soybean pods overlap densely.
• Abstract（参考訳）: 成熟したダイズ植物は複雑な構造を持ち、ポッド同士が頻繁に触れ合っており、オンブランチダイズポッドのその場でのセグメンテーションの課題となっている。 ディープラーニングベースの手法は、正確なトレーニングと強力な一般化能力を達成することができるが、大規模なラベル付きデータを必要とする。 人工大豆ポッドを用いた人工大豆ポッドのin-situセグメンテーションモデルを訓練するためのラベル付きデータがないため,人工大豆ポッドの移動学習を提案する。 まず,アノテートされたサンプルを多数含む合成インビトロダイズポッドデータセットを高速に生成する,新しい自動画像生成法を提案する。 インビトロダイズポッドのサンプルを重ね合わせ、オンブランチダイズポッドの頻繁に物理的に触れていることをシミュレートする。 そして,2段階の伝達学習を設計する。 最初のステップでは、ソースドメイン(MSCOCOデータセット)と合成ターゲットドメイン(バイオダイズポッド内のデータセット)によって事前訓練されたインスタンスセグメンテーションネットワークを微調整します。 第2段階では,数種の実生大豆のサンプルを微調整し,シミュレーションから現実への移動を行う。 実験結果から,実世界のダイズ実生植物試験データセットにおいて,ap$_{50}$ が 0.80 であり,ap$_{50}$ が 0.77 であるような2段階伝達学習法の有効性が示された。 さらに,オンブランチダイズポッドのin-situセグメンテーション結果の可視化により,特にダイズポッドが重なり合う場合,他の方法よりも優れた性能を示すことが示された。

関連論文リスト

• SAU: A Dual-Branch Network to Enhance Long-Tailed Recognition via Generative Models [9.340077455871736]
  画像認識における長い尾の分布は、いくつかの支配階級間の深刻な不均衡のため、大きな課題となる。 近年,画像分類のための合成データ作成に大規模な生成モデルが用いられている。 本稿では,データ不均衡の影響を解消するために,長い尾のデータセットを補完する合成データを提案する。
  論文  参考訳（メタデータ） (2024-08-29T05:33:59Z)
• SoybeanNet: Transformer-Based Convolutional Neural Network for Soybean Pod Counting from Unmanned Aerial Vehicle (UAV) Images [18.93798687466877]
  大豆は食品、タンパク質、油の重要な原料である。 近年の進歩にもかかわらず、ロバストなポッドカウントアルゴリズムの開発は依然として大きな課題である。 本稿では無人航空機(UAV)画像を利用した高精度大豆ポッドの先駆的研究について述べる。
  論文  参考訳（メタデータ） (2023-10-16T22:21:56Z)
• CAFE: Learning to Condense Dataset by Aligning Features [72.99394941348757]
  本稿ではCAFE(Aligning features)によるCondenseデータセットの新しいスキームを提案する。 このアプローチの核心は、さまざまなスケールにわたる実データと合成データから機能を整合させる効果的な戦略です。 提案したCAFEを様々なデータセットで検証し,概ね最先端技術であることを示す。
  論文  参考訳（メタデータ） (2022-03-03T05:58:49Z)
• A Deep Learning Generative Model Approach for Image Synthesis of Plant Leaves [62.997667081978825]
  我々は,高度深層学習(DL)技術を用いて,人工葉画像の自動生成を行う。 我々は、現代の作物管理のためのAIアプリケーションのためのトレーニングサンプルのソースを処分することを目指している。
  論文  参考訳（メタデータ） (2021-11-05T10:53:35Z)
• A Scaling Law for Synthetic-to-Real Transfer: A Measure of Pre-Training [52.93808218720784]
  合成から現実への変換学習は,実タスクのための合成画像と接地真実アノテーションを用いた事前学習を行うフレームワークである。 合成画像はデータの不足を克服するが、事前訓練されたモデルで微調整性能がどのようにスケールするかは定かではない。 我々は、合成事前学習データの様々なタスク、モデル、複雑さにおける学習曲線を一貫して記述する、単純で一般的なスケーリング法則を観察する。
  論文  参考訳（メタデータ） (2021-08-25T02:29:28Z)
• Mitigating Generation Shifts for Generalized Zero-Shot Learning [52.98182124310114]
  一般化ゼロショット学習(英: Generalized Zero-Shot Learning、GZSL)は、学習中に見知らぬクラスが観察できない、見つからないサンプルを認識するために意味情報(属性など)を活用するタスクである。 本稿では,未知のデータ合成を効率よく,効率的に学習するための新しい生成シフト緩和フローフレームワークを提案する。 実験結果から,GSMFlowは従来のゼロショット設定と一般化されたゼロショット設定の両方において,最先端の認識性能を実現することが示された。
  論文  参考訳（メタデータ） (2021-07-07T11:43:59Z)
• High Throughput Soybean Pod-Counting with In-Field Robotic Data Collection and Machine-Vision Based Data Analysis [5.30230364606655]
  以上の結果から, 機械ビジョンに基づく大豆ポッド数と大豆収量との相関が強く示唆された。 ポッドカウントはダイズ収量と強く相関するが,ポッドカウントは非常に労働集約的であり,自動化が困難である。 視覚センサを備えた自律型ロボットは,大豆を成熟時に自律的に収集できることが確認できた。
  論文  参考訳（メタデータ） (2021-05-21T20:52:18Z)
• Estimating Crop Primary Productivity with Sentinel-2 and Landsat 8 using Machine Learning Methods Trained with Radiative Transfer Simulations [58.17039841385472]
  我々は,機械モデリングと衛星データ利用の並列化を活用し,作物生産性の高度モニタリングを行う。 本モデルでは, 地域情報を使用しなくても, 各種C3作物の種類, 環境条件の総合的生産性を推定することに成功した。 これは、現在の地球観測クラウドコンピューティングプラットフォームの助けを借りて、新しい衛星センサーから作物の生産性をグローバルにマップする可能性を強調しています。
  論文  参考訳（メタデータ） (2020-12-07T16:23:13Z)
• Multi-Spectral Image Synthesis for Crop/Weed Segmentation in Precision Farming [3.4788711710826083]
  本稿では, 精密農業における作物・雑草の分枝化問題に適用し, 共通データ増分法に関する代替手法を提案する。 我々は、最も関連性の高いオブジェクトクラス(作物や雑草)を合成されたクラスに置き換えることで、半人工的なサンプルを作成する。 RGBデータに加えて、近赤外(NIR)情報も考慮し、4つのチャネルマルチスペクトル合成画像を生成する。
  論文  参考訳（メタデータ） (2020-09-12T08:49:36Z)
• 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)
• Scalable learning for bridging the species gap in image-based plant phenotyping [2.208242292882514]
  ディープラーニング(データ収集、注釈付け、トレーニング)を適用する従来のパラダイムは、イメージベースの植物表現には適用できない。 データコストには、物理的サンプルの育成、イメージングとラベル付けが含まれる。 モデル性能は、各植物種のドメイン間の種間ギャップによって影響を受ける。
  論文  参考訳（メタデータ） (2020-03-24T10:26:40Z)

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。