論文の概要: Ladder: A software to label images, detect objects and deploy models
recurrently for object detection
- arxiv url: http://arxiv.org/abs/2306.10372v1
- Date: Sat, 17 Jun 2023 15:13:08 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-21 21:01:17.393444
- Title: Ladder: A software to label images, detect objects and deploy models
recurrently for object detection
- Title（参考訳）: Ladder: 画像のラベル付け、オブジェクトの検出、オブジェクト検出のためのモデルの繰り返しデプロイを行うソフトウェア
- Authors: Zhou Tang, and Zhiwu Zhang
- Abstract要約: オブジェクト検出(Object Detection, OD)は、画像やビデオ中のオブジェクトの特定と分類を行うコンピュータビジョン技術である。
Ladderは、ユーザに対して、トレーニングデータセットの効率的なラベル付けを可能にする、親しみやすいグラフィックユーザインターフェース(GUI)を提供するソフトウェアである。
Ladder は OD を用いて, 現場画像における小麦わらさびの重症度を直接評価している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Object Detection (OD) is a computer vision technology that can locate and
classify objects in images and videos, which has the potential to significantly
improve efficiency in precision agriculture. To simplify OD application
process, we developed Ladder - a software that provides users with a friendly
graphic user interface (GUI) that allows for efficient labelling of training
datasets, training OD models, and deploying the trained model. Ladder was
designed with an interactive recurrent framework that leverages predictions
from a pre-trained OD model as the initial image labeling. After adding human
labels, the newly labeled images can be added into the training data to retrain
the OD model. With the same GUI, users can also deploy well-trained OD models
by loading the model weight file to detect new images. We used Ladder to
develop a deep learning model to access wheat stripe rust in RGB (red, green,
blue) images taken by an Unmanned Aerial Vehicle (UAV). Ladder employs OD to
directly evaluate different severity levels of wheat stripe rust in field
images, eliminating the need for photo stitching process for UAVs-based images.
The accuracy for low, medium and high severity scores were 72%, 50% and 80%,
respectively. This case demonstrates how Ladder empowers OD in precision
agriculture and crop breeding.
- Abstract（参考訳）: Object Detection (OD) は、画像やビデオ中の物体を特定し分類できるコンピュータビジョン技術であり、精密農業の効率を大幅に向上させる可能性がある。
ODアプリケーションプロセスをシンプルにするために、トレーニングデータセットの効率的なラベル付け、ODモデルのトレーニング、トレーニングされたモデルのデプロイを可能にするGUIを提供するソフトウェアであるLadderを開発した。
Ladderは、事前訓練されたODモデルの予測を初期画像ラベリングとして活用するインタラクティブなリカレントフレームワークで設計されている。
人間のラベルを追加すると、新たにラベル付けされた画像がトレーニングデータに追加され、ODモデルが再トレーニングされる。
同じGUIで、モデルの重みファイルを読み込んで新しい画像を検出することで、よく訓練されたODモデルをデプロイすることもできる。
我々は、無人航空機(UAV)が撮影したRGB(赤、緑、青)画像の小麦わらに深い学習モデルを構築するためにLadderを用いた。
Ladder は OD を用いて、フィールド画像中の小麦ストライプのさびの重症度を直接評価し、UAV ベースの画像の縫い付けを不要にしている。
低, 中, 高重度スコアはそれぞれ72%, 50%, 80%であった。
このケースは、Ladderが精密農業と作物の育種においてODをいかに強化するかを示している。
関連論文リスト
- Enhancing pretraining efficiency for medical image segmentation via transferability metrics [0.0]
医用画像のセグメンテーションタスクでは、ラベル付きトレーニングデータの不足が大きな課題となっている。
本稿では,事前学習したモデルが対象データをいかに頑健に表現できるかを計測する,対照的な学習に基づく新しい伝達可能性指標を提案する。
論文 参考訳（メタデータ） (2024-10-24T12:11:52Z) - Weakly-semi-supervised object detection in remotely sensed imagery [2.7464980644644386]
リモートセンシング画像を用いた弱半教師付き物体検出(WSSOD)モデルを構築した。
我々は,FAIR1Mのバウンディングボックスラベル画像と風車検出データセットを用いて,大量の点ラベル付き画像を使用するWSSODモデルを訓練する。
2-10倍少ない境界ボックスラベル付き画像でトレーニングされたWSSODモデルは、フルセットの有界ボックスラベル付き画像でトレーニングされた完全教師付きモデルと同様に、または性能が良くなることがわかった。
論文 参考訳（メタデータ） (2023-11-29T08:43:04Z) - Image-free Classifier Injection for Zero-Shot Classification [72.66409483088995]
ゼロショット学習モデルは、訓練中に見られなかったクラスからのサンプルのイメージ分類において顕著な結果が得られる。
我々は,画像データを用いることなく,ゼロショット分類機能を備えた事前学習モデルの装備を目指す。
提案したイメージフリーインジェクション・ウィズ・セマンティックス (ICIS) でこれを実現する。
論文 参考訳（メタデータ） (2023-08-21T09:56:48Z) - An Empirical Study of Pseudo-Labeling for Image-based 3D Object
Detection [72.30883544352918]
異なる条件下で,擬似ラベルがベースラインモデルに対して効果的に監視できるかどうかを検討する。
ベルとホイッスルを使わずにKITTI-3Dテストセットの適度なレベルを20.23 APで達成し、ベースラインモデルを6.03 APで改善した。
この研究が、半教師付き環境下で画像に基づく3D検出コミュニティに洞察を与えてくれることを願っている。
論文 参考訳（メタデータ） (2022-08-15T12:17:46Z) - Self-Supervised Learning as a Means To Reduce the Need for Labeled Data
in Medical Image Analysis [64.4093648042484]
胸部X線画像のデータセットとバウンディングボックスラベルを用いて,13種類の異常の分類を行った。
ラベル付きデータの平均精度と精度を60%に抑えることで,完全教師付きモデルと同等の性能が得られることを示す。
論文 参考訳（メタデータ） (2022-06-01T09:20:30Z) - Corrupted Image Modeling for Self-Supervised Visual Pre-Training [103.99311611776697]
自己教師型視覚前訓練のためのCIM(Corrupted Image Modeling)を提案する。
CIMは、小さなトレーニング可能なBEiTを備えた補助発電機を使用して、人工マスクトークンを使用する代わりに入力イメージを破損させる。
事前トレーニング後、エンハンサーは下流タスク用の高容量ビジュアルエンコーダとして使用できる。
論文 参考訳（メタデータ） (2022-02-07T17:59:04Z) - Choosing an Appropriate Platform and Workflow for Processing Camera Trap
Data using Artificial Intelligence [0.18350044465969417]
カメラトラップは、生態学者が野生生物種の分布、活動パターン、種間相互作用を研究する方法を変えてきた。
カメラトラップデータを処理する人工知能(AI)、特にディープラーニング(DL)の可能性に大きな注目を集めている。
これらのアプリケーションにDLを使用するには、オブジェクトを自動的に検出して種を分類するConvolutional Neural Networks(CNN)のようなトレーニングアルゴリズムが含まれる。
論文 参考訳（メタデータ） (2022-02-04T18:13:09Z) - A Meta-Learning Approach for Medical Image Registration [6.518615946009265]
グラデーションベースのメタラーニングフレームワークと統合した,新しい教師なし登録モデルを提案する。
実験の結果,提案モデルでは,精度とトレーニング時間の観点から,性能が有意に向上した。
論文 参考訳（メタデータ） (2021-04-21T10:27:05Z) - Visual Distant Supervision for Scene Graph Generation [66.10579690929623]
シーングラフモデルは通常、大量のラベル付きデータを人間のアノテーションで教師付き学習する必要がある。
本研究では,人間ラベルデータを用いずにシーングラフモデルを訓練できる視覚関係学習の新しいパラダイムである視覚遠方監視を提案する。
包括的な実験結果から、我々の遠隔監視モデルは、弱い監督と半監督のベースラインよりも優れています。
論文 参考訳（メタデータ） (2021-03-29T06:35:24Z) - PennSyn2Real: Training Object Recognition Models without Human Labeling [12.923677573437699]
我々はPennSyn2Realを提案する。20種類以上のマイクロエアロビー(MAV)の10万以上の4K画像からなる合成データセットである。
このデータセットは、MAV検出や分類などのハイレベルコンピュータビジョンタスクのための任意の数のトレーニングイメージを生成するために使用することができる。
このフレームワークを用いて生成された合成データは,検出やセグメンテーションといった一般的なオブジェクト認識タスクに対して,CNNモデルをトレーニングするために直接利用できることを示す。
論文 参考訳（メタデータ） (2020-09-22T02:53:40Z) - Model Watermarking for Image Processing Networks [120.918532981871]
深層モデルの知的財産権を保護する方法は、非常に重要であるが、真に研究されていない問題である。
画像処理モデルを保護するための最初のモデル透かしフレームワークを提案する。
論文 参考訳（メタデータ） (2020-02-25T18:36:18Z)
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。