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
- 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) - 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) - Enhancing Self-Supervised Learning for Remote Sensing with Elevation
Data: A Case Study with Scarce And High Level Semantic Labels [1.534667887016089]
本研究は、地球観測下流タスクに適用された事前学習モデルに対する、教師なしと教師なしのハイブリッド学習手法を提案する。
我々は、事前訓練モデルに対する対照的なアプローチと画素単位の回帰事前テキストタスクを組み合わせることで、粗い標高マップを予測する。
論文 参考訳(メタデータ) (2023-04-13T23:01:11Z) - Habitat classification from satellite observations with sparse
annotations [4.164845768197488]
リモートセンシングデータを用いた生息地分類とマッピング手法を提案する。
この方法は、フィールドから収集された細粒度でスパースな単一ピクセルアノテーションを使用することによって特徴付けられる。
本研究では, 収穫増量, 試験時間増量, 半教師付き学習が, さらに分類の助けとなることを示す。
論文 参考訳(メタデータ) (2022-09-26T20:14:59Z) - AutoGeoLabel: Automated Label Generation for Geospatial Machine Learning [69.47585818994959]
リモートセンシングデータのためのラベルの自動生成のためのビッグデータ処理パイプラインを評価する。
我々は,大規模データプラットフォームであるIBM PAIRSを用いて,密集都市部でそのようなラベルを動的に生成する。
論文 参考訳(メタデータ) (2022-01-31T20:02:22Z) - DSNet: A Dual-Stream Framework for Weakly-Supervised Gigapixel Pathology
Image Analysis [78.78181964748144]
スライド画像全体(WSI)を分類するための弱教師付きフレームワークを提案する。
WSIは通常、パッチレベルのラベルを持つパッチワイド分類によって処理される。
イメージレベルのラベルのみの場合、パッチの外観とイメージレベルのラベルの矛盾のため、パッチの分類はサブ最適となる。
論文 参考訳(メタデータ) (2021-09-13T09:10:43Z) - 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) - Multi-species Seagrass Detection and Classification from Underwater
Images [1.2233362977312945]
本稿では,深層畳み込みニューラルネットワークに基づく海草の多種検出と分類器を提案する。
また,画像パッチを半自動でラベル付けする簡単な手法を導入し,手動ラベリングの要件を最小化する。
この研究で収集したデータセットと、実験を再現するためのコードと事前訓練されたモデルについて、公開してリリースします。
論文 参考訳(メタデータ) (2020-09-18T07:20:44Z) - 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) - EHSOD: CAM-Guided End-to-end Hybrid-Supervised Object Detection with
Cascade Refinement [53.69674636044927]
本稿では,エンド・ツー・エンドのハイブリッド型オブジェクト検出システムであるEHSODについて述べる。
完全なアノテートと弱いアノテートの両方で、ワンショットでトレーニングすることができる。
完全なアノテートされたデータの30%しか持たない複数のオブジェクト検出ベンチマークで、同等の結果が得られる。
論文 参考訳(メタデータ) (2020-02-18T08:04:58Z)
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。