論文の概要: Image Labels Are All You Need for Coarse Seagrass Segmentation
- arxiv url: http://arxiv.org/abs/2303.00973v1
- Date: Thu, 2 Mar 2023 05:10:57 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-03 16:02:05.345054
- Title: Image Labels Are All You Need for Coarse Seagrass Segmentation
- Title(参考訳): イメージラベルは、海草の粗いセグメンテーションに必要なすべてです
- Authors: Scarlett Raine, Ross Marchant, Brano Kusy, Frederic Maire and Tobias
Fischer
- Abstract要約: 海草の牧草地は重要な炭素シンクとして機能するが、正確に保存されている炭素量の推定には海草種の知識が必要である。
過去の海草の検出と分類にはパッチレベルのラベルの完全な管理が必要であった。
教師なしのコントラスト事前トレーニングと、バックグラウンドとシーグラスのパッチの分離に類似した特徴を持つアーキテクチャであるSeaFeatsを紹介した。
SeaFeatsとSeaCLIPのアンサンブルは極めて堅牢なパフォーマンスをもたらし、SeaCLIPは背景クラスを保守的に予測し、ぼやけたパッチや暗いパッチの誤ったシーグラスの誤分類を避ける。
- 参考スコア(独自算出の注目度): 4.195806160139487
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Seagrass meadows serve as critical carbon sinks, but accurately estimating
the amount of carbon they store requires knowledge of the seagrass species
present. Using underwater and surface vehicles equipped with machine learning
algorithms can help to accurately estimate the composition and extent of
seagrass meadows at scale. However, previous approaches for seagrass detection
and classification have required full supervision from patch-level labels. In
this paper, we reframe seagrass classification as a weakly supervised coarse
segmentation problem where image-level labels are used during training (25
times fewer labels compared to patch-level labeling) and patch-level outputs
are obtained at inference time. To this end, we introduce SeaFeats, an
architecture that uses unsupervised contrastive pretraining and feature
similarity to separate background and seagrass patches, and SeaCLIP, a model
that showcases the effectiveness of large language models as a supervisory
signal in domain-specific applications. We demonstrate that an ensemble of
SeaFeats and SeaCLIP leads to highly robust performance, with SeaCLIP
conservatively predicting the background class to avoid false seagrass
misclassifications in blurry or dark patches. Our method outperforms previous
approaches that require patch-level labels on the multi-species 'DeepSeagrass'
dataset by 6.8% (absolute) for the class-weighted F1 score, and by 12.1%
(absolute) F1 score for seagrass presence/absence on the 'Global Wetlands'
dataset. We also present two case studies for real-world deployment: outlier
detection on the Global Wetlands dataset, and application of our method on
imagery collected by FloatyBoat, an autonomous surface vehicle.
- Abstract(参考訳): 海草の牧草地は重要な炭素シンクとして機能するが、正確に保存されている炭素量の推定には海草種の知識が必要である。
機械学習アルゴリズムを備えた水中および表面の車両は、大規模な草原の組成と範囲を正確に推定するのに役立ちます。
しかし、過去の海草の検出と分類にはパッチレベルのラベルの完全な監視が必要であった。
本稿では,訓練中に画像レベルラベル(パッチレベルラベルより25倍少ないラベル)とパッチレベルアウトプットが推定時に得られる弱教師付き粗いセグメンテーション問題としてシーグラス分類を再構成する。
この目的のために、教師なしのコントラスト事前学習と異なるバックグラウンドおよびシーグラスパッチとの類似性を備えたアーキテクチャであるSeaFeatsと、ドメイン固有のアプリケーションにおける監視信号としての大規模言語モデルの有効性を示すモデルであるSeaCLIPを紹介する。
SeaFeatsとSeaCLIPのアンサンブルは極めて堅牢なパフォーマンスをもたらし、SeaCLIPは背景クラスを保守的に予測し、ぼやけたパッチや暗いパッチの誤ったシーグラスの誤分類を避ける。
本手法は,複数種'DeepSeagrass'データセットのパッチレベルラベルをクラス重み付きF1スコアに対して6.8%(絶対),12.1%(絶対)F1スコアで'Global Wetlands'データセット上での海草の存在/存在を示す。
また,実世界展開の事例として,Global Wetlandsデータセットの異常検出と,FloatyBoatが収集した画像への本手法の適用について述べる。
関連論文リスト
- SeagrassFinder: Deep Learning for Eelgrass Detection and Coverage Estimation in the Wild [1.0617118349563253]
海草の草原は海洋生態系において重要な役割を担い、炭素の隔離のような重要なサービスを提供している。
海草被覆度を評価するために水中ビデオトランクターを解析する現在の手作業は、時間と主観的である。
本研究では,海底ビデオデータから海草の検出とカバレッジ推定のプロセスを自動化するためのディープラーニングモデルについて検討する。
論文 参考訳(メタデータ) (2024-12-20T18:50:54Z) - Hierarchical Classification for Automated Image Annotation of Coral Reef Benthic Structures [5.407146435972322]
自動ベント画像アノテーションは,サンゴ礁の気候変動対策を効率的に監視し,保護するために重要である。
現在の機械学習アプローチでは、ベント生物の階層的な性質を捉えることができない。
階層分類を用いた良性画像のアノテートを提案する。
論文 参考訳(メタデータ) (2024-12-11T09:28:30Z) - Co-training for Low Resource Scientific Natural Language Inference [65.37685198688538]
遠隔教師付きラベルに分類器のトレーニング力学に基づいて重みを割り当てる新しいコトレーニング手法を提案する。
予測された信頼度に対する任意のしきい値に基づいてサンプルをフィルタリングするのではなく、重要重みを割り当てることにより、自動ラベル付きデータの使用を最大化する。
提案手法は、遠隔監視ベースラインに対するマクロF1の1.5%の改善と、他の強力なSSLベースラインよりも大幅に改善されている。
論文 参考訳(メタデータ) (2024-06-20T18:35:47Z) - LayerMatch: Do Pseudo-labels Benefit All Layers? [77.59625180366115]
半教師付き学習はラベル付きデータの依存性を軽減するための有望なソリューションを提供する。
我々はGrad-ReLUとAvg-Clusteringという2つの層固有の擬似ラベル戦略を開発した。
提案手法は,標準的な半教師付き学習ベンチマークにおいて,例外的な性能を示す。
論文 参考訳(メタデータ) (2024-06-20T11:25:50Z) - Deep learning for multi-label classification of coral conditions in the
Indo-Pacific via underwater photogrammetry [24.00646413446011]
本研究はインド太平洋におけるサンゴの一般的な条件と関連するストレスを表わしたデータセットを作成する。
既存の分類アルゴリズムを評価し、サンゴの条件を自動的に検出し、生態情報を抽出する新しいマルチラベル手法を提案した。
提案手法はサンゴの条件を, 健康, 危害, 死, 汚物として正確に分類する。
論文 参考訳(メタデータ) (2024-03-09T14:42:16Z) - WhaleNet: a Novel Deep Learning Architecture for Marine Mammals Vocalizations on Watkins Marine Mammal Sound Database [49.1574468325115]
textbfWhaleNet (Wavelet Highly Adaptive Learning Ensemble Network) は海洋哺乳動物の発声を分類するための高度な深層アンサンブルアーキテクチャである。
既存のアーキテクチャよりも8-10%の精度で分類精度を向上し、分類精度は9,7.61%である。
論文 参考訳(メタデータ) (2024-02-20T11:36:23Z) - Pseudo-label Alignment for Semi-supervised Instance Segmentation [67.9616087910363]
擬似ラベルは半教師付きインスタンスセグメンテーションにおいて重要である。
既存のパイプラインでは、クラスやマスクの品質のミスマッチにより、貴重な情報を含む擬似ラベルをフィルタリングすることができる。
本稿では,疑似ラベル整合インスタンスセグメンテーション(PAIS)と呼ばれる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) (2023-08-10T05:56:53Z) - Rethinking Pseudo Labels for Semi-Supervised Object Detection [84.697097472401]
物体検出に適した確実な擬似ラベルを導入する。
我々は,クラス不均衡問題を緩和するために,各カテゴリの擬似ラベルと再重み付き損失関数を生成するために使用する閾値を動的に調整する。
提案手法では,COCOのラベル付きデータのみを用いて,教師付きベースラインを最大10%改善する。
論文 参考訳(メタデータ) (2021-06-01T01:32:03Z) - Highly Efficient Representation and Active Learning Framework for
Imbalanced Data and its Application to COVID-19 X-Ray Classification [0.7829352305480284]
胸部X線を分類するためのデータ効率の高い分類および能動的学習フレームワークを提案する。
これは(1)畳み込みニューラルネットワークの教師なし表現学習と(2)ガウス過程法に基づいている。
利用可能なラベルのトレーニングから正確性に到達するには、ラベル付きデータの10%の$simしか必要ありません。
論文 参考訳(メタデータ) (2021-02-25T02:48:59Z) - Joint Visual and Temporal Consistency for Unsupervised Domain Adaptive
Person Re-Identification [64.37745443119942]
本稿では,局所的なワンホット分類とグローバルなマルチクラス分類を組み合わせることで,視覚的・時間的整合性を両立させる。
3つの大規模ReIDデータセットの実験結果は、教師なしと教師なしの両方のドメイン適応型ReIDタスクにおいて提案手法の優位性を示す。
論文 参考訳(メタデータ) (2020-07-21T14:31:27Z)
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。