論文の概要: BugNIST -- A New Large Scale Volumetric 3D Image Dataset for Classification and Detection

• arxiv url: http://arxiv.org/abs/2304.01838v1
• Date: Tue, 4 Apr 2023 14:44:06 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-05 13:30:42.899432
• Title: BugNIST -- A New Large Scale Volumetric 3D Image Dataset for Classification and Detection
• Title（参考訳）: bugnist -- 分類と検出のための新しい大規模ボリューム型3d画像データセット
• Authors: Anders Bjorholm Dahl, Patrick M{\o}ller Jensen, Carsten Gundlach, Rebecca Engberg, Hans Martin Kjer, Vedrana Andersen Dahl
• Abstract要約: BugNISTは、昆虫や幼虫など12種類の虫のマイクロCTスキャンの広範なデータセットである。 BugNISTには9437巻があり、9087は個々のバグ、350はバグと他の材料が混在している。
• 参考スコア（独自算出の注目度）: 3.8004980982852214
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Progress in 3D volumetric image analysis research is limited by the lack of datasets and most advances in analysis methods for volumetric images are based on medical data. However, medical data do not necessarily resemble the characteristics of other volumetric images such as micro-CT. To promote research in 3D volumetric image analysis beyond medical data, we have created the BugNIST dataset and made it freely available. BugNIST is an extensive dataset of micro-CT scans of 12 types of bugs, such as insects and larvae. BugNIST contains 9437 volumes where 9087 are of individual bugs and 350 are mixtures of bugs and other material. The goal of BugNIST is to benchmark classification and detection methods, and we have designed the detection challenge such that detection models are trained on scans of individual bugs and tested on bug mixtures. Models capable of solving this task will be independent of the context, i.e., the surrounding material. This is a great advantage if the context is unknown or changing, as is often the case in micro-CT. Our initial baseline analysis shows that current state-of-the-art deep learning methods classify individual bugs very well, but has great difficulty with the detection challenge. Hereby, BugNIST enables research in image analysis areas that until now have missed relevant data - both classification, detection, and hopefully more.
• Abstract（参考訳）: 3次元ボリューム画像解析研究の進歩はデータセットの欠如によって制限され、ボリューム画像の分析方法の進歩は医療データに基づいている。 しかし、医療データはマイクロCTなどの他のボリューム画像の特徴に必ずしも似ていない。 医用データ以外の3次元ボリューム画像解析の研究を促進するため,我々はBugNISTデータセットを作成し,自由に利用できるようにした。 BugNISTは、昆虫や幼虫など12種類の虫のマイクロCTスキャンの広範なデータセットである。 BugNISTには9437巻があり、9087は個々のバグ、350はバグと他の材料が混在している。 bugnistの目標は分類と検出方法をベンチマークすることであり、検出モデルは個々のバグのスキャンで訓練され、バグ混合でテストされるように、検出チャレンジを設計した。 この課題を解くことができるモデルは、文脈、すなわち周囲の物質とは独立である。 これは、micro-ctでよく見られるように、コンテキストが未知である場合や変化する場合、大きな利点です。 我々の初期ベースライン分析では、現在最先端のディープラーニング手法が個々のバグを非常によく分類しているが、検出の難しさは大きい。 これにより、BugNISTは、これまで関連データ(分類、検出、および願わくばそれ以上)を見逃していた画像分析領域の研究を可能にする。

関連論文リスト

• SeMoLi: What Moves Together Belongs Together [51.72754014130369]
  動作手がかりに基づく半教師付き物体検出に挑戦する。 近年,移動物体の擬似ラベルインスタンスに対して,動きに基づくクラスタリング手法が適用可能であることが示唆された。 我々は、このアプローチを再考し、オブジェクト検出とモーションインスパイアされた擬似ラベルの両方が、データ駆動方式で取り組めることを示唆する。
  論文  参考訳（メタデータ） (2024-02-29T18:54:53Z)
• 3D Adversarial Augmentations for Robust Out-of-Domain Predictions [115.74319739738571]
  ドメイン外データへの一般化の改善に注力する。 対象を逆向きに変形させるベクトルの集合を学習する。 本研究では,学習したサンプル非依存ベクトルをモデルトレーニング時に利用可能なオブジェクトに適用することにより,対数拡大を行う。
  論文  参考訳（メタデータ） (2023-08-29T17:58:55Z)
• MDT3D: Multi-Dataset Training for LiDAR 3D Object Detection Generalization [3.8243923744440926]
  特定の点分布を持つソースデータセットでトレーニングされた3Dオブジェクト検出モデルは、目に見えないデータセットに一般化する上で困難であることが示されている。 我々は、アノテーション付きソースデータセットから利用可能な情報を、MDT3D(Multi-Dataset Training for 3D Object Detection)メソッドで活用する。 トレーニング中にデータセットの混合をどのように管理し、最後にクロスデータセット拡張メソッド、すなわちクロスデータセットオブジェクトインジェクションを導入するかを示します。
  論文  参考訳（メタデータ） (2023-08-02T08:20:00Z)
• Uncertainty Aware Active Learning for Reconfiguration of Pre-trained Deep Object-Detection Networks for New Target Domains [0.0]
  物体検出はコンピュータビジョンタスクの最も重要かつ基本的な側面の1つである。 オブジェクト検出モデルのトレーニングデータを効率的に取得するために、多くのデータセットは、ビデオフォーマットでアノテーションのないデータを取得することを選択します。 ビデオからすべてのフレームに注釈を付けるのは、多くのフレームがモデルが学ぶのに非常によく似た情報を含んでいるため、費用がかかり非効率である。 本稿では,この問題に対処するためのオブジェクト検出モデルのための新しい能動学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-03-22T17:14:10Z)
• BigDetection: A Large-scale Benchmark for Improved Object Detector Pre-training [44.32782190757813]
  我々はBigDetectionと呼ばれる新しい大規模ベンチマークを構築した。 私たちのデータセットには600のオブジェクトカテゴリがあり、3.4M以上のトレーニングイメージと36Mのバウンディングボックスが含まれています。
  論文  参考訳（メタデータ） (2022-03-24T17:57:29Z)
• Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D Object Detection [85.11649974840758]
  3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。 そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
  論文  参考訳（メタデータ） (2021-11-30T18:42:42Z)
• ST3D++: Denoised Self-training for Unsupervised Domain Adaptation on 3D Object Detection [78.71826145162092]
  本稿では,ST3D++という名前の自己学習手法を提案する。 擬似ラベル生成プロセスにハイブリット品質を意識した三重項メモリを組み込むことにより、生成された擬似ラベルの品質と安定性を向上させる。 モデルトレーニングの段階では、ソースデータ支援トレーニング戦略とカリキュラムデータ拡張ポリシーを提案する。
  論文  参考訳（メタデータ） (2021-08-15T07:49:06Z)
• Unsupervised Domain Adaption of Object Detectors: A Survey [87.08473838767235]
  近年のディープラーニングの進歩は、様々なコンピュータビジョンアプリケーションのための正確で効率的なモデルの開発につながっている。 高度に正確なモデルを学ぶには、大量の注釈付きイメージを持つデータセットの可用性に依存する。 このため、ラベルスカースデータセットに視覚的に異なる画像がある場合、モデルの性能は大幅に低下する。
  論文  参考訳（メタデータ） (2021-05-27T23:34:06Z)
• ST3D: Self-training for Unsupervised Domain Adaptation on 3D ObjectDetection [78.71826145162092]
  点雲からの3次元物体検出における教師なし領域適応のための新しい領域適応型自己学習パイプラインST3Dを提案する。 当社のST3Dは、評価されたすべてのデータセットで最先端のパフォーマンスを達成し、KITTI 3Dオブジェクト検出ベンチマークで完全に監視された結果を超えます。
  論文  参考訳（メタデータ） (2021-03-09T10:51:24Z)

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。