論文の概要: Label-Efficient Learning in Agriculture: A Comprehensive Review
- arxiv url: http://arxiv.org/abs/2305.14691v1
- Date: Wed, 24 May 2023 03:53:20 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-25 19:58:02.294837
- Title: Label-Efficient Learning in Agriculture: A Comprehensive Review
- Title（参考訳）: 農業におけるラベル効率学習の包括的考察
- Authors: Jiajia Li, Dong Chen, Xinda Qi, Zhaojian Li, Yanbo Huang, Daniel
Morris, Xiaobo Tan
- Abstract要約: 著者らは、ラベル効率のよいML/DLメソッドを監督の度合いに応じて整理する原則的な分類法を開発した。
本稿では,これらのラベル効率アルゴリズムを利用した各種農業応用の体系的レビューを紹介する。
- 参考スコア（独自算出の注目度）: 15.117639286963604
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The past decade has witnessed many great successes of machine learning (ML)
and deep learning (DL) applications in agricultural systems, including weed
control, plant disease diagnosis, agricultural robotics, and precision
livestock management. Despite tremendous progresses, one downside of such ML/DL
models is that they generally rely on large-scale labeled datasets for
training, and the performance of such models is strongly influenced by the size
and quality of available labeled data samples. In addition, collecting,
processing, and labeling such large-scale datasets is extremely costly and
time-consuming, partially due to the rising cost in human labor. Therefore,
developing label-efficient ML/DL methods for agricultural applications has
received significant interests among researchers and practitioners. In fact,
there are more than 50 papers on developing and applying deep-learning-based
label-efficient techniques to address various agricultural problems since 2016,
which motivates the authors to provide a timely and comprehensive review of
recent label-efficient ML/DL methods in agricultural applications. To this end,
we first develop a principled taxonomy to organize these methods according to
the degree of supervision, including weak supervision (i.e., active learning
and semi-/weakly- supervised learning), and no supervision (i.e., un-/self-
supervised learning), supplemented by representative state-of-the-art
label-efficient ML/DL methods. In addition, a systematic review of various
agricultural applications exploiting these label-efficient algorithms, such as
precision agriculture, plant phenotyping, and postharvest quality assessment,
is presented. Finally, we discuss the current problems and challenges, as well
as future research directions. A well-classified paper list can be accessed at
https://github.com/DongChen06/Label-efficient-in-Agriculture.
- Abstract（参考訳）: 過去10年間、雑草の制御、植物病の診断、農業ロボティクス、精密家畜管理など、農業システムにおける機械学習(ML)とディープラーニング(DL)の応用に大きな成功を収めてきた。
膨大な進歩にもかかわらず、ml/dlモデルの欠点は、トレーニングのために一般的に大規模なラベル付きデータセットに依存しており、これらのモデルの性能は、利用可能なラベル付きデータサンプルのサイズと品質に大きく影響されていることである。
さらに、このような大規模データセットの収集、処理、ラベリングは、人的労働のコストの増加によって、非常に費用がかかり、時間がかかる。
そのため、ラベル効率のよい農業用ML/DL法の開発は、研究者や実践者の間で大きな関心を集めている。
実際、2016年以降、さまざまな農業問題に対処するためのディープラーニングに基づくラベル効率技術の開発と適用に関する50以上の論文があり、農業アプリケーションにおける最近のラベル効率ml/dl手法のタイムリーで包括的なレビューを提供する動機となっている。
この目的のために,我々はまず,弱い監督(アクティブラーニングと半教師付き学習)と非監督(un-/self教師付き学習)を含む指導の程度に応じてこれらの手法を整理するための原則的分類法を開発し,代表的なラベル効率ml/dl法を補足した。
さらに, 精密農業, 植物表現型, ポストハーベスト品質評価など, ラベル効率の高いアルゴリズムを利用した各種農業応用の体系的検討を行った。
最後に,現在の課題と課題,今後の研究の方向性について考察する。
よく分類されたペーパーリストはhttps://github.com/DongChen06/Label-efficient-in-Agricultureでアクセスすることができる。
関連論文リスト
- Learning with Less: Knowledge Distillation from Large Language Models via Unlabeled Data [54.934578742209716]
現実世界のNLPアプリケーションでは、Large Language Models (LLMs) は巨大なデータセットの広範なトレーニングのために、有望なソリューションを提供する。
LLKDは、教師と学生の両方の信号を組み込んだ適応的なサンプル選択法である。
総合的な実験により,LLKDは高いデータ効率で,様々なデータセットで優れた性能を発揮することが示された。
論文 参考訳（メタデータ） (2024-11-12T18:57:59Z) - Application of Machine Learning in Agriculture: Recent Trends and Future Research Avenues [6.0460261046732455]
食品生産は重要な世界的関心事であり、人工知能(AI)による農業革命の可能性はほとんど解明されていない。
本稿では,農業における機械学習(ML)の適用に焦点をあてた総合的なレビューを行い,農業実践におけるその変革的ポテンシャルと効率向上を探求する。
論文 参考訳（メタデータ） (2024-05-23T17:53:31Z) - Self-Supervised Backbone Framework for Diverse Agricultural Vision Tasks [0.3683202928838613]
農業におけるコンピュータビジョンは、農業をデータ駆動で正確で持続可能な産業に変えるために、ゲームを変える。
ディープラーニングは農業のビジョンに力を与えて、膨大な複雑な視覚データを分析するが、大きな注釈付きデータセットの可用性に大きく依存している。
本研究では,ResNet-50のバックボーンを実世界の農地画像の大規模データセット上に事前学習するための,コントラスト学習手法であるSimCLRを用いた軽量フレームワークを提案する。
論文 参考訳（メタデータ） (2024-03-22T14:46:51Z) - Performance Evaluation of Semi-supervised Learning Frameworks for
Multi-Class Weed Detection [15.828967396019143]
効率的な雑草防除は、収穫量を最適化し、農産物の品質を高める上で重要な役割を担っている。
MLとDLによって実現された精密雑草管理の最近の進歩は、持続可能な代替手段となる。
半教師あり学習法、特に半教師あり学習法は、コンピュータビジョンの幅広い領域において注目を集めている。
論文 参考訳（メタデータ） (2024-03-06T00:59:51Z) - 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) - Machine Learning Meets Advanced Robotic Manipulation [48.6221343014126]
本論文は、最先端技術と、実世界の操作タスクに適用された機械学習手法の最近の動向についてレビューする。
論文の残りの部分は、産業、医療、農業、宇宙、軍事、捜索救助など、さまざまな分野におけるML応用に費やされている。
論文 参考訳（メタデータ） (2023-09-22T01:06:32Z) - Benchmarking Automated Machine Learning Methods for Price Forecasting
Applications [58.720142291102135]
自動機械学習(AutoML)ソリューションで手作業で作成したMLパイプラインを置換する可能性を示す。
CRISP-DMプロセスに基づいて,手動MLパイプラインを機械学習と非機械学習に分割した。
本稿では、価格予測の産業利用事例として、ドメイン知識とAutoMLを組み合わせることで、ML専門家への依存が弱まることを示す。
論文 参考訳（メタデータ） (2023-04-28T10:27:38Z) - A Survey on Extreme Multi-label Learning [72.8751573611815]
マルチラベル学習は、近年、学術分野と産業分野の両方から大きな注目を集めている。
計算とメモリのオーバーヘッドのため、それらを非常に大きなラベル空間に直接適応することは不可能である。
eXtreme Multi-label Learning (XML)は重要なタスクとなり、多くの効果的なアプローチが提案されている。
論文 参考訳（メタデータ） (2022-10-08T08:31:34Z) - Learning crop type mapping from regional label proportions in
large-scale SAR and optical imagery [9.303156731091532]
本研究は,作物ラベルの比率を事前に用いたオンラインディープクラスタリング手法を提案し,サンプルレベル分類器を学習する。
ブラジルの2つの異なる農業地域から得られた2つの大きなデータセットを用いて,本手法の評価を行った。
論文 参考訳（メタデータ） (2022-08-24T15:23:26Z) - Understanding the World Through Action [91.3755431537592]
ラベルのないデータを利用するための汎用的で原則的で強力なフレームワークは、強化学習から導き出すことができると私は主張する。
このような手順が、下流の潜在的なタスクとどのように密接に一致しているかについて論じます。
論文 参考訳（メタデータ） (2021-10-24T22:33:52Z) - A Survey of Deep Active Learning [54.376820959917005]
アクティブラーニング(AL)は、最も少ないサンプルをマークすることで、モデルの性能向上を最大化しようとする。
ディープラーニング(DL)はデータに対して欲張りであり、大量のパラメータを最適化するために大量のデータ供給を必要とする。
ディープラーニング(Deep Active Learning, DAL)が誕生した。
論文 参考訳（メタデータ） (2020-08-30T04:28:31Z)
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。