論文の概要: Embracing Limited and Imperfect Data: A Review on Plant Stress Recognition Using Deep Learning

• arxiv url: http://arxiv.org/abs/2305.11533v1
• Date: Fri, 19 May 2023 08:58:09 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-22 15:16:17.399734
• Title: Embracing Limited and Imperfect Data: A Review on Plant Stress Recognition Using Deep Learning
• Title（参考訳）: 限定データと不完全データの導入:深層学習を用いた植物ストレス認識の検討
• Authors: Mingle Xu and Hyongsuk Kim and Jucheng Yang and Alvaro Fuentes and Yao Meng and Sook Yoon and Taehyun Kim and Dong Sun Park
• Abstract要約: 植物ストレス認識は、近年、深層学習の出現とともに顕著な改善が見られた。 現実世界のアプリケーションにおける現在のディープラーニングベースの手法は、主に制限された不完全なデータに悩まされる可能性がある。 我々は、この制限された不完全なデータを受け入れることの重要性を強調し、関連する理解を高めたと信じている。
• 参考スコア（独自算出の注目度）: 5.526950086166696
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Plant stress recognition has witnessed significant improvements in recent years with the advent of deep learning. A large-scale and annotated training dataset is required to achieve decent performance; however, collecting it is frequently difficult and expensive. Therefore, deploying current deep learning-based methods in real-world applications may suffer primarily from limited and imperfect data. Embracing them is a promising strategy that has not received sufficient attention. From this perspective, a systematic survey was conducted in this study, with the ultimate objective of monitoring plant growth by implementing deep learning, which frees humans and potentially reduces the resultant losses from plant stress. We believe that our paper has highlighted the importance of embracing this limited and imperfect data and enhanced its relevant understanding.
• Abstract（参考訳）: 植物ストレス認識は、ディープラーニングの出現によって近年大きく改善されている。 適度なパフォーマンスを達成するには、大規模で注釈付きのトレーニングデータセットが必要であるが、収集はしばしば困難で高価である。 したがって、現在のディープラーニングベースのメソッドを現実世界のアプリケーションにデプロイすることは、主に制限された不完全なデータに苦しむ可能性がある。 それらを受け入れることは、十分な注目を集めていない有望な戦略である。 そこで本研究では,人間を解放し,植物ストレスによる損失を低減させる深層学習の導入により,植物の成長を監視することを目的とした系統的な調査を行った。 我々は、この制限された不完全なデータを受け入れることの重要性を強調し、関連する理解を高めたと信じている。

関連論文リスト

• A Survey on Data Synthesis and Augmentation for Large Language Models [35.59526251210408]
  本稿では,大規模言語モデルのライフサイクルを通じてデータ生成手法をレビューし,要約する。 これらの手法が直面する現在の制約について考察し,今後の開発・研究の道筋について考察する。
  論文  参考訳（メタデータ） (2024-10-16T16:12:39Z)
• Deep Learning-Based Object Pose Estimation: A Comprehensive Survey [73.74933379151419]
  ディープラーニングに基づくオブジェクトポーズ推定の最近の進歩について論じる。 また、複数の入力データモダリティ、出力ポーズの自由度、オブジェクト特性、下流タスクについても調査した。
  論文  参考訳（メタデータ） (2024-05-13T14:44:22Z)
• Best Practices and Lessons Learned on Synthetic Data [83.63271573197026]
  AIモデルの成功は、大規模で多様な、高品質なデータセットの可用性に依存している。 合成データは、現実世界のパターンを模倣する人工データを生成することによって、有望なソリューションとして現れてきた。
  論文  参考訳（メタデータ） (2024-04-11T06:34:17Z)
• Large Language Models(LLMs) on Tabular Data: Prediction, Generation, and Understanding -- A Survey [17.19337964440007]
  現在、この研究領域における主要なテクニック、メトリクス、データセット、モデル、最適化アプローチを要約し比較する包括的なレビューが欠如しています。 この調査は、これらの領域における最近の進歩を集約し、使用するデータセット、メトリクス、方法論の詳細な調査と分類を提供することによって、このギャップに対処することを目的としている。 既存の文献の強さ、限界、未探索領域、ギャップを識別し、この重要かつ急速に発展する分野における将来の研究の方向性についていくつかの洞察を提供する。
  論文  参考訳（メタデータ） (2024-02-27T23:59:01Z)
• Plant Disease Recognition Datasets in the Age of Deep Learning: Challenges and Opportunities [1.9578088547147654]
  本研究は、潜在的な植物病データセットを記述するための、情報的分類法を明示的に提案する。 課題指向のデータセットの作成や、実世界のアプリケーションにディープラーニングを配置する究極の目的など、今後の方向性を満足できるパフォーマンスで提供します。
  論文  参考訳（メタデータ） (2023-12-13T05:24:36Z)
• Image Synthesis under Limited Data: A Survey and Taxonomy [4.0989155767548375]
  与えられたデータ分布を再現して新しいサンプルを作成することを目的とした深層生成モデルは、近年、前例のない進歩を遂げている。 限られたデータに基づいてトレーニングを行う場合、生成モデルは過度な適合と記憶によるパフォーマンス劣化に悩まされる傾向にある。 本調査は,限られたデータに基づく画像合成の開発に関する包括的レビューと新しい分類法を提供する。
  論文  参考訳（メタデータ） (2023-07-31T17:45:16Z)
• LargeST: A Benchmark Dataset for Large-Scale Traffic Forecasting [65.71129509623587]
  道路交通予測はスマートシティのイニシアチブにおいて重要な役割を担い、ディープラーニングの力によって大きな進歩を遂げている。 しかし、現在の公開データセットで達成される有望な結果は、現実的なシナリオには適用できないかもしれない。 カリフォルニアで合計8,600のセンサーと5年間の時間カバレッジを含む、LargeSTベンチマークデータセットを紹介します。
  論文  参考訳（メタデータ） (2023-06-14T05:48:36Z)
• A Survey of Label-Efficient Deep Learning for 3D Point Clouds [109.07889215814589]
  本稿では,点雲のラベル効率学習に関する包括的調査を行う。 本稿では,ラベルの種類によって提供されるデータ前提条件に基づいて,ラベル効率のよい学習手法を整理する分類法を提案する。 それぞれのアプローチについて、問題設定の概要と、関連する進展と課題を示す広範な文献レビューを提供する。
  論文  参考訳（メタデータ） (2023-05-31T12:54:51Z)
• A Survey on Dataset Distillation: Approaches, Applications and Future Directions [4.906549881313351]
  高い情報密度でデータセットを合成することにより、データセット蒸留は潜在的な応用範囲を提供する。 本稿では,データセット蒸留の分類法を提案し,既存のアプローチを特徴付けるとともに,データモダリティとその関連アプリケーションについて体系的にレビューする。
  論文  参考訳（メタデータ） (2023-05-03T08:41:37Z)
• Self-Supervised Representation Learning: Introduction, Advances and Challenges [125.38214493654534]
  自己教師付き表現学習手法は、大きな注釈付きデータセットを必要とせずに強力な機能学習を提供することを目的としている。 本稿では、この活気ある領域について、鍵となる概念、アプローチの4つの主要なファミリーと関連する技術の状態、そして、データの多様性に自己監督手法を適用する方法について紹介する。
  論文  参考訳（メタデータ） (2021-10-18T13:51:22Z)
• Few-shot Partial Multi-view Learning [103.33865779721458]
  本稿では,複数ショット部分的多視点学習という新しい課題を提案する。 それは、低データ体制におけるビューミス問題によるネガティブな影響を克服することに焦点を当てている。 提案手法を評価するため,広範囲な実験を行った。
  論文  参考訳（メタデータ） (2021-05-05T13:34:43Z)

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。