論文の概要: Deep Cost-sensitive Learning for Wheat Frost Detection

• arxiv url: http://arxiv.org/abs/2212.12856v1
• Date: Sun, 25 Dec 2022 05:07:24 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-27 14:32:24.258045
• Title: Deep Cost-sensitive Learning for Wheat Frost Detection
• Title（参考訳）: 小麦フロスト検出のための高コスト学習
• Authors: Shujian Cao, Lin Cui, Haipeng Liu
• Abstract要約: 気温, 小麦収量, ハイパースペクトル情報によって特徴付けられるデータを収集することにより, ハイパースペクトルコムギのフロストデータセットを作成する。 本稿では,1次元畳み込みニューラルネットワークを基本フレームワークとして,コスト感受性の深い学習手法を提案する。 実験の結果,検出精度は0.943点,スコアは0.623点であった。
• 参考スコア（独自算出の注目度）: 4.688103461256747
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Frost damage is one of the main factors leading to wheat yield reduction. Therefore, the detection of wheat frost accurately and efficiently is beneficial for growers to take corresponding measures in time to reduce economic loss. To detect the wheat frost, in this paper we create a hyperspectral wheat frost data set by collecting the data characterized by temperature, wheat yield, and hyperspectral information provided by the handheld hyperspectral spectrometer. However, due to the imbalance of data, that is, the number of healthy samples is much higher than the number of frost damage samples, a deep learning algorithm tends to predict biasedly towards the healthy samples resulting in model overfitting of the healthy samples. Therefore, we propose a method based on deep cost-sensitive learning, which uses a one-dimensional convolutional neural network as the basic framework and incorporates cost-sensitive learning with fixed factors and adjustment factors into the loss function to train the network. Meanwhile, the accuracy and score are used as evaluation metrics. Experimental results show that the detection accuracy and the score reached 0.943 and 0.623 respectively, this demonstration shows that this method not only ensures the overall accuracy but also effectively improves the detection rate of frost samples.
• Abstract（参考訳）: 凍害は小麦の収量減少につながる主要な要因の1つである。 したがって、小麦のフロストの検出を精度良く効率的に行うことは、経済損失を減らすために対応する措置を講じることに有益である。 そこで本論文では, 温熱, 小麦収量, および高スペクトル情報から得られたデータを収集し, コムギフロストの温度, 収量, および高スペクトル情報を収集することにより, コムギフロストのデータセットを作成する。 しかし、データの不均衡、すなわち、健康なサンプルの数は、凍害のサンプル数よりもはるかに高いため、ディープラーニングアルゴリズムは、健康なサンプルに対して偏りのある予測を行う傾向にあり、その結果、健康なサンプルの過剰なモデル化が引き起こされる。 そこで本研究では,1次元畳み込みニューラルネットワークを基本枠組みとし,コストに敏感な学習を固定因子と調整因子を組み込んだ深層コスト感応学習を損失関数に組み込んでネットワークを訓練する手法を提案する。 一方、評価指標として精度とスコアが使用される。 実験の結果, 検出精度は0.943, スコア0.623に達し, 総合的精度が確保されるだけでなく, 試料の検出率も効果的に向上することがわかった。

関連論文リスト

• Efficient Data-Sketches and Fine-Tuning for Early Detection of Distributional Drift in Medical Imaging [5.1358645354733765]
  本稿では,CT-Scan医療画像における分布のドリフトを検出するための,高精度かつ高感度なアプローチを提案する。 我々は,リアルタイムな異常検出のための頑健なライブラリモデルを開発し,画像の効率的な比較を可能にした。 乳がん画像から関連する特徴を抽出するために,視力変換器の事前訓練モデルを微調整した。
  論文  参考訳（メタデータ） (2024-08-15T23:46:37Z)
• Research on Disease Prediction Model Construction Based on Computer AI deep Learning Technology [4.438184989650338]
  本研究は,ロバスト学習アルゴリズムを研究対象とし,感染リスクの早期警告に適用することを目的とする。 トレーニング損失に対する低境界を構築し, サンプリング率に基づく手法を提案し, トレーニング結果に対するノイズの影響を低減した。
  論文  参考訳（メタデータ） (2024-06-23T18:44:03Z)
• Data Pruning via Moving-one-Sample-out [61.45441981346064]
  我々は移動1サンプルアウト(MoSo)と呼ばれる新しいデータ処理手法を提案する。 MoSoは、トレーニングセットから最も分かりにくいサンプルを特定し、削除することを目的としている。 実験結果から,MoSoは高プルーニング比で高い性能劣化を効果的に緩和することが示された。
  論文  参考訳（メタデータ） (2023-10-23T08:00:03Z)
• Undersampling and Cumulative Class Re-decision Methods to Improve Detection of Agitation in People with Dementia [16.949993123698345]
  消化は認知症(PwD)で最も多い症状の1つである。 前回の研究では、参加者17名から600日間のマルチモーダルウェアラブルセンサデータを収集し、1分間の窓での動揺を検出する機械学習モデルを開発した。 本稿では,まず,不均衡を解消するために異なるアンダーサンプリング手法を実装し,通常の動作データの20%だけが競合的動揺検出モデルの訓練に適しているという結論に至った。
  論文  参考訳（メタデータ） (2023-02-07T03:14:00Z)
• Neural Importance Sampling for Rapid and Reliable Gravitational-Wave Inference [59.040209568168436]
  まず、ニューラルネットワークを用いてベイズ後部への高速な提案を行い、その基礎となる可能性と事前に基づいて重み付けを行う。 本発明は,(1)ネットワーク不正確性のない修正後部,(2)提案案の評価と故障事例の同定のための性能診断(サンプル効率),(3)ベイズ証拠の偏りのない推定を提供する。 LIGOとVirgoで観測された42個のブラックホールをSEOBNRv4PHMとIMRPhenomHMXP波形モデルで解析した。
  論文  参考訳（メタデータ） (2022-10-11T18:00:02Z)
• 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)
• Sample-dependent Adaptive Temperature Scaling for Improved Calibration [95.7477042886242]
  ニューラルネットワークの誤りを補うポストホックアプローチは、温度スケーリングを実行することだ。 入力毎に異なる温度値を予測し、信頼度と精度のミスマッチを調整することを提案する。 CIFAR10/100およびTiny-ImageNetデータセットを用いて,ResNet50およびWideResNet28-10アーキテクチャ上で本手法をテストする。
  論文  参考訳（メタデータ） (2022-07-13T14:13:49Z)
• Increasing the efficiency of randomized trial estimates via linear adjustment for a prognostic score [59.75318183140857]
  ランダム化実験による因果効果の推定は臨床研究の中心である。 歴史的借用法のほとんどは、厳格なタイプiエラー率制御を犠牲にして分散の削減を達成する。
  論文  参考訳（メタデータ） (2020-12-17T21:10:10Z)
• 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)
• Cost-effective search for lower-error region in material parameter space using multifidelity Gaussian process modeling [6.460853830978507]
  物質パラメータの推定には沈降形状に関する情報が不可欠である。 この領域は、LER (low-error region) と呼ばれ、沈殿物に含まれる物質の固有の情報を反映している。 ガウス過程に基づく多忠実度モデリングを用いて,異なる精度の複数の計算からトレーニングデータをサンプリングすることができる。
  論文  参考訳（メタデータ） (2020-03-15T04:14:30Z)

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。