論文の概要: Panoptic One-Click Segmentation: Applied to Agricultural Data

• arxiv url: http://arxiv.org/abs/2303.08689v1
• Date: Wed, 15 Mar 2023 15:20:36 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-16 13:24:48.770167
• Title: Panoptic One-Click Segmentation: Applied to Agricultural Data
• Title（参考訳）: Panoptic One-Click Segmentation: 農業データへの適用
• Authors: Patrick Zimmer, Michael Halstead, Chris McCool
• Abstract要約: 雑草管理において、精密農業は除草剤の使用を大幅に減らし、経済的および生態学的利益をもたらす。 現代のインスタンスセグメンテーション技術はそれを実現することができるが、そのようなシステムの訓練には大量の手監督データが必要である。 クリック入力から擬似ラベルを生成するための,効率的かつ正確なオフラインツールであるパン光学ワンクリックセグメンテーションを提案する。
• 参考スコア（独自算出の注目度）: 3.306595429364865
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In weed control, precision agriculture can help to greatly reduce the use of herbicides, resulting in both economical and ecological benefits. A key element is the ability to locate and segment all the plants from image data. Modern instance segmentation techniques can achieve this, however, training such systems requires large amounts of hand-labelled data which is expensive and laborious to obtain. Weakly supervised training can help to greatly reduce labelling efforts and costs. We propose panoptic one-click segmentation, an efficient and accurate offline tool to produce pseudo-labels from click inputs which reduces labelling effort. Our approach jointly estimates the pixel-wise location of all N objects in the scene, compared to traditional approaches which iterate independently through all N objects; this greatly reduces training time. Using just 10% of the data to train our panoptic one-click segmentation approach yields 68.1% and 68.8% mean object intersection over union (IoU) on challenging sugar beet and corn image data respectively, providing comparable performance to traditional one-click approaches while being approximately 12 times faster to train. We demonstrate the applicability of our system by generating pseudo-labels from clicks on the remaining 90% of the data. These pseudo-labels are then used to train Mask R-CNN, in a semi-supervised manner, improving the absolute performance (of mean foreground IoU) by 9.4 and 7.9 points for sugar beet and corn data respectively. Finally, we show that our technique can recover missed clicks during annotation outlining a further benefit over traditional approaches.
• Abstract（参考訳）: 雑草管理において、精密農業は除草剤の使用を大幅に減らし、経済的および生態学的利益をもたらす。 重要な要素は、イメージデータからすべての植物を発見および分割する能力である。 現代のインスタンスセグメンテーション技術ではこれを実現することができるが、そのようなシステムの訓練には大量のハンドラベリングデータが必要である。 弱い教師の訓練はラベル付けの労力とコストを大幅に削減するのに役立ちます。 クリック入力から擬似ラベルを生成するための,効率的かつ正確なオフラインツールであるパン光学ワンクリックセグメンテーションを提案する。 本手法は,すべてのNオブジェクトを独立に反復する従来の手法と比較して,シーン内のNオブジェクトの画素単位の位置を共同で推定する。 パン光学的ワンクリックセグメンテーションの手法をトレーニングするために、データの10%しか使わずに68.1%と68.8%は、砂糖ビートとトウモロコシの画像データに対する結合(IoU)上のオブジェクトの交差を平均し、訓練の約12倍の速度で従来のワンクリック手法に匹敵するパフォーマンスを提供する。 残りの90%のデータのクリックから擬似ラベルを生成することで,本システムの適用性を示す。 これらの擬似ラベルは、半教師付きでMask R-CNNを訓練するために使用され、それぞれサトウキビとトウモロコシのデータに対して9.4ポイントと7.9ポイントの絶対性能(平均前景IoU)を向上させる。 最後に,従来のアプローチよりもメリットを概説するアノテーションでは,クリックの欠落を回収できることを示す。

関連論文リスト

• Inconsistency Masks: Removing the Uncertainty from Input-Pseudo-Label Pairs [0.0]
  Inconsistency Masks (IM) は、画像と擬似ラベルのペアの不確実性をフィルタリングし、セグメンテーションの品質を大幅に向上させる新しい手法である。 4つの多様なデータセットに対して10%のラベル付きデータで強力なセグメンテーション結果を得る。 3つのハイブリッドアプローチは、完全にラベル付けされたデータセットでトレーニングされたモデルよりも優れています。
  論文  参考訳（メタデータ） (2024-01-25T18:46:35Z)
• LESS: Label-Efficient Semantic Segmentation for LiDAR Point Clouds [62.49198183539889]
  我々は,LiDAR点雲を用いた屋外シーンのためのラベル効率のよいセマンティックセマンティックセマンティクスパイプラインを提案する。 本手法は,半弱教師付き学習を用いて,効率的なラベリング手法を設計する。 提案手法は,100%ラベル付き完全教師付き手法と比較して,さらに競争力が高い。
  論文  参考訳（メタデータ） (2022-10-14T19:13:36Z)
• Weakly-Supervised Semantic Segmentation by Learning Label Uncertainty [8.074019565026544]
  画素完全ラベルの小さなサブセットだけでセグメント化ネットワークを訓練する新たな損失関数を提案する。 私たちの損失は、ネットワークにバウンディングボックス内でラベルの不確実性を学ぶように訓練します。 我々は各タスクを18%のピクセル完全度と82%のバウンディングボックスラベルからなるデータセットでトレーニングした。
  論文  参考訳（メタデータ） (2021-10-12T12:19:22Z)
• Weakly Supervised Pseudo-Label assisted Learning for ALS Point Cloud Semantic Segmentation [1.4620086904601473]
  競合ポイントクラウドの結果は通常、大量のラベル付きデータに依存します。 本研究では,基礎的事実を限定した正確な結果を得るための擬似ラベル方式を提案する。
  論文  参考訳（メタデータ） (2021-05-05T08:07:21Z)
• With a Little Help from My Friends: Nearest-Neighbor Contrastive Learning of Visual Representations [87.72779294717267]
  対比損失で最も近い隣り合わせを正として使用すると、ImageNet分類でパフォーマンスが大幅に向上します。 提案手法が複雑なデータ拡張に依存しないことを実証的に証明する。
  論文  参考訳（メタデータ） (2021-04-29T17:56:08Z)
• Superpixels and Graph Convolutional Neural Networks for Efficient Detection of Nutrient Deficiency Stress from Aerial Imagery [3.6843744304889183]
  リモートセンシングデータから栄養不足地域を特定し、注意が必要な地域へ農家に警告します。 ノードベースの分類を行うために,より軽量なグラフベースの手法を提案する。 このモデルは、cnnモデルよりも4桁少ないパラメータを持ち、数分で列車が走る。
  論文  参考訳（メタデータ） (2021-04-20T21:18:16Z)
• Contrastive Learning for Label-Efficient Semantic Segmentation [44.10416030868873]
  Convolutional Neural Network(CNN)ベースのセマンティックセグメンテーションアプローチは、大量のラベル付きデータを使用して印象的な結果を達成しました。 事実上のクロスエントロピー損失でトレーニングされたディープCNNは、少量のラベル付きデータに容易に適合する。 簡便で効果的な対比学習型トレーニング戦略を提案し、まずはピクセル単位のラベルベースの対比損失を用いてネットワークを前訓練します。
  論文  参考訳（メタデータ） (2020-12-13T07:05:39Z)
• Big Self-Supervised Models are Strong Semi-Supervised Learners [116.00752519907725]
  ImageNet上での半教師あり学習に驚くほど効果的であることを示す。 我々のアプローチの重要な要素は、事前訓練と微調整において大きな(深度と広度)ネットワークを使用することである。 ラベルが少なくなればなるほど、より大きなネットワークから、このアプローチ(ラベル付きデータのタスクに依存しない使用)が恩恵を受けることが分かっています。
  論文  参考訳（メタデータ） (2020-06-17T17:48:22Z)
• Omni-supervised Facial Expression Recognition via Distilled Data [120.11782405714234]
  ネットワークトレーニングにおいて,信頼度の高いサンプルを多量のラベルのないデータで活用するためのオムニ教師付き学習を提案する。 我々は,新しいデータセットが学習したFERモデルの能力を大幅に向上させることができることを実験的に検証した。 そこで本研究では,生成したデータセットを複数のクラスワイド画像に圧縮するために,データセット蒸留戦略を適用することを提案する。
  論文  参考訳（メタデータ） (2020-05-18T09:36:51Z)
• Improving Semantic Segmentation via Self-Training [75.07114899941095]
  半教師付きアプローチ,特に自己学習パラダイムを用いて,最先端の成果を得ることができることを示す。 まず、ラベル付きデータに基づいて教師モデルを訓練し、次にラベルなしデータの大規模なセット上で擬似ラベルを生成する。 私たちの堅牢なトレーニングフレームワークは、人名と擬似ラベルを共同で消化し、Cityscapes、CamVid、KITTIデータセット上で最高のパフォーマンスを達成することができます。
  論文  参考訳（メタデータ） (2020-04-30T17:09:17Z)
• 3D medical image segmentation with labeled and unlabeled data using autoencoders at the example of liver segmentation in CT images [58.720142291102135]
  本研究では、畳み込みニューラルネットワークによるセグメンテーションを改善するために、オートエンコーダ抽出機能の可能性を検討する。 コンボリューション・オートエンコーダを用いてラベルのないデータから特徴を抽出し,CT画像における3次元肝セグメンテーションの目標タスクを実行するために,マルチスケールの完全畳み込みCNNを用いた。
  論文  参考訳（メタデータ） (2020-03-17T20:20:43Z)

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。

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。