論文の概要: On Domain-Specific Pre-Training for Effective Semantic Perception in Agricultural Robotics

• arxiv url: http://arxiv.org/abs/2303.12499v1
• Date: Wed, 22 Mar 2023 12:10:44 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-23 14:14:26.071527
• Title: On Domain-Specific Pre-Training for Effective Semantic Perception in Agricultural Robotics
• Title（参考訳）: 農業ロボットにおける効果的な意味認識のためのドメイン特化事前学習について
• Authors: Gianmarco Roggiolani, Federico Magistri, Tiziano Guadagnino, Jan Weyler, Giorgio Grisetti, Cyrill Stachniss, Jens Behley
• Abstract要約: 農業ロボットは、畑を監視し、植物と成長段階を自動で評価することを目的としている。 意味的知覚は、主に教師付きアプローチを用いた深層学習に依存している。 本稿では,最終セグメンテーション性能を損なうことなく,ラベルの量を削減する問題を考察する。
• 参考スコア（独自算出の注目度）: 30.966137924072097
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Agricultural robots have the prospect to enable more efficient and sustainable agricultural production of food, feed, and fiber. Perception of crops and weeds is a central component of agricultural robots that aim to monitor fields and assess the plants as well as their growth stage in an automatic manner. Semantic perception mostly relies on deep learning using supervised approaches, which require time and qualified workers to label fairly large amounts of data. In this paper, we look into the problem of reducing the amount of labels without compromising the final segmentation performance. For robots operating in the field, pre-training networks in a supervised way is already a popular method to reduce the number of required labeled images. We investigate the possibility of pre-training in a self-supervised fashion using data from the target domain. To better exploit this data, we propose a set of domain-specific augmentation strategies. We evaluate our pre-training on semantic segmentation and leaf instance segmentation, two important tasks in our domain. The experimental results suggest that pre-training with domain-specific data paired with our data augmentation strategy leads to superior performance compared to commonly used pre-trainings. Furthermore, the pre-trained networks obtain similar performance to the fully supervised with less labeled data.
• Abstract（参考訳）: 農業用ロボットは、食品、飼料、繊維のより効率的で持続可能な農業生産を可能にする。 作物や雑草の知覚は、畑を監視し、植物と成長段階を自動的に評価することを目的とした農業ロボットの中心的な構成要素である。 セマンティック認識は主に教師付きアプローチによるディープラーニングに依存しており、時間と資格のある労働者がかなりの量のデータをラベル付けする必要がある。 本稿では,最終セグメンテーション性能を損なうことなく,ラベルの量を削減する問題を考察する。 現場で動作しているロボットにとって、教師付きで事前訓練されたネットワークは、必要なラベル付き画像の数を減らすための一般的な方法である。 対象ドメインのデータを用いて,自己指導型事前学習の可能性を検討する。 このデータを活用するために,我々はドメイン固有の拡張戦略を提案する。 セマンティックセグメンテーションとリーフインスタンスセグメンテーションの事前学習の評価を行った。 実験の結果,データ強化戦略と組み合わせたドメイン固有データとの事前学習は,一般的な事前学習よりも優れた性能をもたらすことが示唆された。 さらに、事前学習されたネットワークは、ラベル付きデータが少ない完全教師付きネットワークと同様の性能を得る。

関連論文リスト

• Semi-Supervised Active Learning for Semantic Segmentation in Unknown Environments Using Informative Path Planning [27.460481202195012]
  ロボットの視力を改善するために、自己監督的で完全に教師された能動学習手法が出現した。 セマンティックセグメンテーションの半教師付き能動学習のための計画法を提案する。 我々は、モデル不確実性の高い未探索空間のフロンティアに向けて導かれた適応地図ベースのプランナーを活用する。
  論文  参考訳（メタデータ） (2023-12-07T16:16:47Z)
• Data-Centric Digital Agriculture: A Perspective [23.566985362242498]
  デジタル農業は、食料、食料、繊維、燃料の需要の増加に対応するために急速に発展している。 デジタル農業における機械学習の研究は、主にモデル中心のアプローチに焦点を当てている。 デジタル農業の可能性を完全に実現するためには、この分野におけるデータの役割を包括的に理解することが不可欠である。
  論文  参考訳（メタデータ） (2023-12-06T11:38:26Z)
• In-Domain Self-Supervised Learning Improves Remote Sensing Image Scene Classification [5.323049242720532]
  リモートセンシング画像分類のための有望なアプローチとして,自己教師付き学習が登場している。 そこで本研究では,14の下流データセットにまたがる自己教師型事前学習戦略について検討し,その効果を評価する。
  論文  参考訳（メタデータ） (2023-07-04T10:57:52Z)
• Productive Crop Field Detection: A New Dataset and Deep Learning Benchmark Results [1.2233362977312945]
  精密農業において、生産的作物畑の検出は、農家が作業性能を評価するための必須の慣行である。 従来の研究では、先進的な機械学習アルゴリズムを用いて、作物畑を検出する様々な方法が研究されている。 本稿では,マシン操作とSentinel-2画像を組み合わせた高品質なデータセットを提案する。
  論文  参考訳（メタデータ） (2023-05-19T20:30:59Z)
• Prior Knowledge-Guided Attention in Self-Supervised Vision Transformers [79.60022233109397]
  本研究では、未ラベル画像データセットにおける一貫した空間的・意味的構造を利用するフレームワークである空間的事前注意(SPAN)を提案する。 SPANは、アテンションマスクを別個のトランスフォーマーヘッドから正規化し、セマンティック領域の様々な先導に従う。 その結果,アテンションマスクは,ドメインに依存しない事前学習から得られるマスクよりも解釈可能であることが判明した。
  論文  参考訳（メタデータ） (2022-09-07T02:30:36Z)
• TraND: Transferable Neighborhood Discovery for Unsupervised Cross-domain Gait Recognition [77.77786072373942]
  本稿では、教師なしクロスドメイン歩行認識のための領域ギャップを橋渡しするTransferable Neighborhood Discovery (TraND) フレームワークを提案する。 我々は、潜在空間におけるラベルなしサンプルの自信ある近傍を自動的に発見するために、エンドツーエンドのトレーニング可能なアプローチを設計する。 提案手法は,CASIA-BとOU-LPの2つの公開データセットに対して,最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-02-09T03:07:07Z)
• Semi-supervised Gated Recurrent Neural Networks for Robotic Terrain Classification [4.703075836560585]
  私たちは、高機能な機械学習技術、すなわちゲート付きリカレントニューラルネットワークが、ターゲットの脚を持つロボットが、それが横断する地形を正しく分類することを可能にすることを示しています。 半教師付きモデルの分類結果を大幅に改善するために, 生の未ラベルデータがどのように使用されるかを示す。
  論文  参考訳（メタデータ） (2020-11-24T06:25:19Z)
• DAGA: Data Augmentation with a Generation Approach for Low-resource Tagging Tasks [88.62288327934499]
  線形化ラベル付き文に基づいて訓練された言語モデルを用いた新しい拡張手法を提案する。 本手法は, 教師付き設定と半教師付き設定の両方に適用可能である。
  論文  参考訳（メタデータ） (2020-11-03T07:49:15Z)
• Self-training Improves Pre-training for Natural Language Understanding [63.78927366363178]
  我々は、半教師付き学習を通じてラベルのないデータを活用する別の方法として、自己学習について研究する。 本稿では,ラベル付きデータからタスク固有のクエリの埋め込みを計算するデータ拡張手法であるSentAugmentを紹介する。 我々のアプローチは、標準的なテキスト分類ベンチマークで最大2.6%の改善を達成し、スケーラブルで効果的な自己学習に繋がる。
  論文  参考訳（メタデータ） (2020-10-05T17:52:25Z)
• 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)

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。