論文の概要: Self-supervised Learning for Panoptic Segmentation of Multiple Fruit Flower Species

• arxiv url: http://arxiv.org/abs/2209.04618v1
• Date: Sat, 10 Sep 2022 08:27:35 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-13 13:16:13.526634
• Title: Self-supervised Learning for Panoptic Segmentation of Multiple Fruit Flower Species
• Title（参考訳）: 複数の果実花種のパノプティックセグメンテーションのための自己教師型学習
• Authors: Abubakar Siddique, Amy Tabb, Henry Medeiros
• Abstract要約: 本研究では,異なる花種に対するセグメンテーションモデルの感度を高めるための自己教師型学習戦略を提案する。 我々は、モデル予測の精度を向上させるために、データ拡張と改善のアプローチを採用する。 多種果樹花データセットの評価により,本手法は計算コストのかかる後処理ステップを伴わずに最先端のモデルより優れていることが示された。
• 参考スコア（独自算出の注目度）: 2.1377923666134118
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Convolutional neural networks trained using manually generated labels are commonly used for semantic or instance segmentation. In precision agriculture, automated flower detection methods use supervised models and post-processing techniques that may not perform consistently as the appearance of the flowers and the data acquisition conditions vary. We propose a self-supervised learning strategy to enhance the sensitivity of segmentation models to different flower species using automatically generated pseudo-labels. We employ a data augmentation and refinement approach to improve the accuracy of the model predictions. The augmented semantic predictions are then converted to panoptic pseudo-labels to iteratively train a multi-task model. The self-supervised model predictions can be refined with existing post-processing approaches to further improve their accuracy. An evaluation on a multi-species fruit tree flower dataset demonstrates that our method outperforms state-of-the-art models without computationally expensive post-processing steps, providing a new baseline for flower detection applications.
• Abstract（参考訳）: 手動で生成されたラベルを使ってトレーニングされた畳み込みニューラルネットワークは、一般的にセマンティックまたはインスタンスセグメンテーションに使用される。 精密農業において、自動花検出法は、花の外観やデータ取得条件が異なるため、一貫して機能しない教師付きモデルや後処理技術を用いる。 自動生成擬似ラベルを用いて,異なる花種に対するセグメンテーションモデルの感度を高める自己教師型学習戦略を提案する。 モデル予測の精度を向上させるために,データ拡張と改良手法を採用している。 拡張された意味予測はパンオプティカルな擬似ラベルに変換され、反復的にマルチタスクモデルを訓練する。 自己教師付きモデル予測は、既存の後処理アプローチによって洗練され、精度がさらに向上する。 多種果樹花データセットの評価により,本手法は計算コストのかかる後処理ステップを伴わずに最先端モデルを上回る性能を示し,花検出のための新たなベースラインを提供する。

関連論文リスト

• Supervised Score-Based Modeling by Gradient Boosting [49.556736252628745]
  本稿では,スコアマッチングを組み合わせた勾配向上アルゴリズムとして,SSM(Supervised Score-based Model)を提案する。 推測時間と予測精度のバランスをとるため,SSMの学習とサンプリングに関する理論的解析を行った。 我々のモデルは、精度と推測時間の両方で既存のモデルより優れています。
  論文  参考訳（メタデータ） (2024-11-02T07:06:53Z)
• Learning Augmentation Policies from A Model Zoo for Time Series Forecasting [58.66211334969299]
  本稿では,強化学習に基づく学習可能なデータ拡張手法であるAutoTSAugを紹介する。 限界サンプルを学習可能なポリシーで強化することにより、AutoTSAugは予測性能を大幅に改善する。
  論文  参考訳（メタデータ） (2024-09-10T07:34:19Z)
• Exploring Beyond Logits: Hierarchical Dynamic Labeling Based on Embeddings for Semi-Supervised Classification [49.09505771145326]
  モデル予測に依存しない階層型動的ラベル付け(HDL)アルゴリズムを提案し,画像埋め込みを用いてサンプルラベルを生成する。 本手法は,半教師付き学習における擬似ラベル生成のパラダイムを変える可能性がある。
  論文  参考訳（メタデータ） (2024-04-26T06:00:27Z)
• Integrating processed-based models and machine learning for crop yield prediction [1.3107669223114085]
  本研究では,ハイブリッドメタモデリング手法を用いてジャガイモ収量予測を行う。 作物成長モデルを用いて、畳み込みニューラルネットを(前)訓練するための合成データを生成する。 シリコンに適用すると、我々のメタモデリング手法は、純粋にデータ駆動のアプローチからなるベースラインよりも優れた予測が得られる。
  論文  参考訳（メタデータ） (2023-07-25T12:51:25Z)
• Self-Evolution Learning for Mixup: Enhance Data Augmentation on Few-Shot Text Classification Tasks [75.42002070547267]
  テキスト分類におけるデータ拡張のための自己進化学習(SE)に基づくミックスアップ手法を提案する。 モデル出力と原サンプルの1つのホットラベルを線形に補間して,新しい軟質なラベル混在を生成する,新しいインスタンス固有ラベル平滑化手法を提案する。
  論文  参考訳（メタデータ） (2023-05-22T23:43:23Z)
• Generative models-based data labeling for deep networks regression: application to seed maturity estimation from UAV multispectral images [3.6868861317674524]
  種子の成熟度モニタリングは、気候変動とより制限的な慣行による農業における課題の増加である。 従来の手法は、フィールドでの限られたサンプリングと実験室での分析に基づいている。 マルチスペクトルUAV画像を用いたパセリ種子の成熟度推定手法の提案と,自動ラベリングのための新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2022-08-09T09:06:51Z)
• Revealing and Protecting Labels in Distributed Training [3.18475216176047]
  本稿では,最終層の勾配とラベルマッピングへのIDのみから,トレーニングサンプルのラベル集合を発見する手法を提案する。 本稿では,画像分類と自動音声認識という2つの領域におけるモデル学習の有効性を示す。
  論文  参考訳（メタデータ） (2021-10-31T17:57:49Z)
• Machine-Generated Hierarchical Structure of Human Activities to Reveal How Machines Think [0.0]
  人間の行動認識のための階層的ラベリングシステムの構築の重要性と実現可能性について議論する。 ブラックボックスharモデルの予測を用いて,異なる活動間の類似性を同定する。 このシステムでは、同じレベルのアクティビティラベルは、設計された精度の大きさを持ち、特定の量のアクティビティの詳細を反映します。
  論文  参考訳（メタデータ） (2021-01-19T20:40:22Z)
• Deep Semi-supervised Knowledge Distillation for Overlapping Cervical Cell Instance Segmentation [54.49894381464853]
  本稿では, ラベル付きデータとラベルなしデータの両方を, 知識蒸留による精度向上に活用することを提案する。 摂動に敏感なサンプルマイニングを用いたマスク誘導型平均教師フレームワークを提案する。 実験の結果,ラベル付きデータのみから学習した教師付き手法と比較して,提案手法は性能を著しく向上することがわかった。
  論文  参考訳（メタデータ） (2020-07-21T13:27:09Z)
• 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。