Fugu-MT 論文翻訳(概要): Uncovering bias in the PlantVillage dataset

論文の概要: Uncovering bias in the PlantVillage dataset

arxiv url: http://arxiv.org/abs/2206.04374v1
Date: Thu, 9 Jun 2022 09:32:35 GMT
ステータス: 処理完了
システム内更新日: 2022-06-10 23:24:50.883379
Title: Uncovering bias in the PlantVillage dataset
Title（参考訳）: PlantVillageデータセットのバイアスを明らかにする
Authors: Mehmet Alican Noyan
Abstract要約: PlantVillageの画像背景から8ピクセルのみを使用して機械学習モデルをトレーニングする。このモデルはホールドアウトテストセットで49.0%の精度を達成し、ランダムな推測精度2.6%を大きく上回った。この結果から,PlantVillageデータセットにはラベルと相関するノイズが含まれており,ディープラーニングモデルでは,このバイアスを容易に活用して予測を行うことが可能であることが示唆された。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We report our investigation on the use of the popular PlantVillage dataset for training deep learning based plant disease detection models. We trained a machine learning model using only 8 pixels from the PlantVillage image backgrounds. The model achieved 49.0% accuracy on the held-out test set, well above the random guessing accuracy of 2.6%. This result indicates that the PlantVillage dataset contains noise correlated with the labels and deep learning models can easily exploit this bias to make predictions. Possible approaches to alleviate this problem are discussed.
Abstract（参考訳）: 本研究は,深層学習に基づく植物病検出モデルのトレーニングに一般的なPlantVillageデータセットの使用について報告する。 PlantVillageの画像背景からたった8ピクセルの機械学習モデルを訓練した。このモデルは保留テストセットで49.0%の精度を達成し、ランダムな推測精度は2.6%を大きく上回った。この結果から,PlantVillageデータセットにはラベルと相関するノイズが含まれており,ディープラーニングモデルでは,このバイアスを容易に活用して予測を行うことができることがわかった。この問題を軽減するための可能なアプローチについて論じる。

関連論文リスト

Challenges learning from imbalanced data using tree-based models: Prevalence estimates systematically depend on hyperparameters and can be upwardly biased [0.0]
不均衡二項分類問題は、多くの研究分野において発生する。モデルのトレーニングのための(より)バランスのとれたデータセットを作成するために、多数派のクラスをサブサンプルするのが一般的です。これは、モデルが新しいデータと同じデータ生成プロセスに従わないデータセットから学習するため、モデルの予測をバイアスする。
論文参考訳（メタデータ） (2024-12-17T19:38:29Z)
Deep-Learning Framework for Optimal Selection of Soil Sampling Sites [0.0]
この研究は、画像処理におけるディープラーニングの最近の進歩を活用して、フィールドの重要な特性を示す最適な位置を見つける。本フレームワークは,自己保持機構をバックボーンとするエンコーダデコーダアーキテクチャで構築されている。このモデルはテストデータセットにおいて、平均精度99.52%、IoU平均インターセクション57.35%、Dice Coefficient平均71.47%という驚くべき結果を得た。
論文参考訳（メタデータ） (2023-09-02T16:19:21Z)
Exploring the Effectiveness of Dataset Synthesis: An application of Apple Detection in Orchards [68.95806641664713]
本研究では,リンゴ樹の合成データセットを生成するための安定拡散2.1-baseの有用性について検討する。我々は、現実世界のリンゴ検出データセットでリンゴを予測するために、YOLOv5mオブジェクト検出モデルを訓練する。その結果、実世界の画像でトレーニングされたベースラインモデルと比較して、生成データでトレーニングされたモデルはわずかに性能が劣っていることがわかった。
論文参考訳（メタデータ） (2023-06-20T09:46:01Z)
Neural Priming for Sample-Efficient Adaptation [92.14357804106787]
ニューラルプライミング(Neural Priming)は、大規模な事前学習されたモデルを分散シフトや下流タスクに適応させる手法である。ニューラルプライミングは、LAION-2Bほどの大きさの事前訓練であっても、テスト時に行うことができる。
論文参考訳（メタデータ） (2023-06-16T21:53:16Z)
Reliability Scores from Saliency Map Clusters for Improved Image-based Harvest-Readiness Prediction in Cauliflower [3.7483027039108197]
我々は、解釈可能な機械学習を用いて、収穫可読性分類器の信頼性を解析する。目に見えないデータの場合、信頼性は農家に意思決定の改善を知らせるために利用することができる。全体の精度を88.14%に15.72%改善し、GrowliFlowerデータセットの平均クラス精度を88.52%に15.44%改善しました。
論文参考訳（メタデータ） (2023-05-24T13:48:36Z)
End-to-end deep learning for directly estimating grape yield from ground-based imagery [53.086864957064876]
本研究は, ブドウ畑の収量推定に深層学習と併用した近位画像の応用を実証する。オブジェクト検出、CNN回帰、トランスフォーマーモデルという3つのモデルアーキテクチャがテストされた。本研究は,ブドウの収量予測における近位画像と深層学習の適用性を示した。
論文参考訳（メタデータ） (2022-08-04T01:34:46Z)
Automatic Plant Cover Estimation with CNNs Automatic Plant Cover Estimation with Convolutional Neural Networks [8.361945776819528]
畳み込みニューラルネットワーク(CNN)を用いて画像から関連データを自動抽出する手法について検討する。我々は、平均絶対誤差5.16%のカスタムCNNを用いて、より高解像度の画像分解能で過去のアプローチより優れていることを発見した。これらの調査に加えて,植物被覆画像の時間的側面に基づく誤差解析も行った。
論文参考訳（メタデータ） (2021-06-21T14:52:01Z)
Potato Crop Stress Identification in Aerial Images using Deep Learning-based Object Detection [60.83360138070649]
本稿では, 深層ニューラルネットワークを用いたジャガイモの空中画像解析手法を提案する。主な目的は、植物レベルでの健康作物とストレス作物の自動空間認識を実証することである。実験により、フィールド画像中の健康植物とストレス植物を識別し、平均Dice係数0.74を達成できることを示した。
論文参考訳（メタデータ） (2021-06-14T21:57:40Z)
Graph Embedding with Data Uncertainty [113.39838145450007]
スペクトルベースのサブスペース学習は、多くの機械学習パイプラインにおいて、一般的なデータ前処理ステップである。ほとんどの部分空間学習法は、不確実性の高いデータにつながる可能性のある測定の不正確さやアーティファクトを考慮していない。
論文参考訳（メタデータ） (2020-09-01T15:08:23Z)
Noise or Signal: The Role of Image Backgrounds in Object Recognition [93.55720207356603]
我々は、ImageNetイメージ上の前景と背景信号をアンタングリングするためのツールキットを作成する。 a)モデルが背景のみに依存して非自明な精度が得られること、(b)モデルが正しく分類された前景が存在する場合でも、しばしば画像の分類を誤っていること、が分かる。
論文参考訳（メタデータ） (2020-06-17T16:54:43Z)

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。