論文の概要: Watch out Venomous Snake Species: A Solution to SnakeCLEF2023
- arxiv url: http://arxiv.org/abs/2307.09748v1
- Date: Wed, 19 Jul 2023 04:59:58 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-20 15:25:06.498227
- Title: Watch out Venomous Snake Species: A Solution to SnakeCLEF2023
- Title（参考訳）: スネーククレフ2023の解決策
- Authors: Feiran Hu, Peng Wang, Yangyang Li, Chenlong Duan, Zijian Zhu, Fei
Wang, Faen Zhang, Yong Li, Xiu-Shen Wei
- Abstract要約: SnakeCLEF2023コンペティションは、ヘビ種識別のための高度なアルゴリズムの開発を目的としている。
本稿では,画像とメタデータの両方を活用する手法を提案する。
本手法は,F1と他の指標を組み合わせて,F1の91.31%のスコアを得る。
- 参考スコア（独自算出の注目度）: 27.7177597421459
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The SnakeCLEF2023 competition aims to the development of advanced algorithms
for snake species identification through the analysis of images and
accompanying metadata. This paper presents a method leveraging utilization of
both images and metadata. Modern CNN models and strong data augmentation are
utilized to learn better representation of images. To relieve the challenge of
long-tailed distribution, seesaw loss is utilized in our method. We also design
a light model to calculate prior probabilities using metadata features
extracted from CLIP in post processing stage. Besides, we attach more
importance to venomous species by assigning venomous species labels to some
examples that model is uncertain about. Our method achieves 91.31% score of the
final metric combined of F1 and other metrics on private leaderboard, which is
the 1st place among the participators. The code is available at
https://github.com/xiaoxsparraw/CLEF2023.
- Abstract（参考訳）: SnakeCLEF2023コンペティションは、画像の解析とメタデータによるヘビ種識別のための高度なアルゴリズムの開発を目的としている。
本稿では,画像とメタデータの両方を活用する手法を提案する。
現代のcnnモデルと強いデータ拡張は、画像のより良い表現を学ぶために利用される。
長期分布の課題を解消するため,本手法ではシーソー損失を利用した。
また,事後処理段階におけるCLIPから抽出したメタデータ特徴を用いて,事前確率を計算するための光モデルも設計する。
さらに, モデルが不確かである例に毒種ラベルを割り当てることで, 毒種をより重要視する。
提案手法は,f1 とその他の個人リーダーボードの指標を組み合わせた最終指標の91.31%のスコアを,参加者の中で第1位である。
コードはhttps://github.com/xiaoxsparraw/CLEF2023で公開されている。
関連論文リスト
- Improved detection of discarded fish species through BoxAL active learning [0.2544632696242629]
本研究では,より高速なR-CNNオブジェクト検出モデルの認識精度を推定する,BoxALという能動的学習手法を提案する。
この方法では、未ラベルのプールから最も不確実なトレーニングイメージを選択し、オブジェクト検出モデルのトレーニングに使用することができる。
また,本研究では,サンプル化した新データが,未ラベルデータよりもトレーニングに有用であることが確認された。
論文 参考訳（メタデータ） (2024-10-07T10:01:30Z) - Transfer Learning with Self-Supervised Vision Transformers for Snake Identification [0.0]
我々は,SnakeCLEF 2024コンペティションに対して,画像からヘビ種を予測するアプローチを提案する。
特徴抽出にはMetaのDINOv2ビジョントランスフォーマーモデルを用いて、182,261枚の画像のデータセットにおいて、種の高い可変性と視覚的類似性に取り組む。
39.69のスコアを得たにもかかわらず、DINOv2をヘビの識別に埋め込むことが保証された。
論文 参考訳（メタデータ） (2024-07-08T17:52:23Z) - Data Attribution for Text-to-Image Models by Unlearning Synthesized Images [71.23012718682634]
テキスト・ツー・イメージ・モデルにおけるデータ帰属の目標は、新しい画像の生成に最も影響を与えるトレーニング画像を特定することである。
本稿では,高能率画像の同定を効果的に行う新しい手法を提案する。
論文 参考訳（メタデータ） (2024-06-13T17:59:44Z) - Raising the Bar of AI-generated Image Detection with CLIP [50.345365081177555]
本研究の目的は、AI生成画像の普遍的検出のための事前学習された視覚言語モデル(VLM)の可能性を探ることである。
我々は,CLIP機能に基づく軽量な検出戦略を開発し,その性能を様々な難易度シナリオで検証する。
論文 参考訳（メタデータ） (2023-11-30T21:11:20Z) - Solutions for Fine-grained and Long-tailed Snake Species Recognition in
SnakeCLEF 2022 [30.8004334312293]
我々はSnakeCLEF 2022でヘビの種を認識できる方法を紹介した。
いくつかの異なるモデルのアンサンブルにより、3位にランクインしたプライベートスコア82.65%が最終リーダーボードで達成される。
論文 参考訳（メタデータ） (2022-07-04T05:55:58Z) - Understanding Gender and Racial Disparities in Image Recognition Models [0.0]
クロスエントロピーを用いたマルチラベルソフトマックスの損失を,多ラベル分類問題における二進的クロスエントロピーの代わりに損失関数として検討する。
MR2データセットを用いて、モデル結果の公平性を評価し、モデルのアクティベーションを見て誤りを解釈し、可能な修正を提案する。
論文 参考訳（メタデータ） (2021-07-20T01:05:31Z) - NP-DRAW: A Non-Parametric Structured Latent Variable Modelfor Image
Generation [139.8037697822064]
NP-DRAWと呼ばれる画像生成のための非パラメトリック構造化潜在変数モデルを提案する。
後続のキャンバスをパーツ単位で順次描画し、それをキャンバスからデコードする。
論文 参考訳（メタデータ） (2021-06-25T05:17:55Z) - An Interaction-based Convolutional Neural Network (ICNN) Towards Better
Understanding of COVID-19 X-ray Images [0.0]
本稿では,局所情報の関連性を仮定しない対話型畳み込みニューラルネットワーク(ICNN)を提案する。
提案手法は、新型コロナウイルスのチェストX線画像を分類した実世界のデータセット上で、99.8%の最先端予測性能を実現する。
論文 参考訳（メタデータ） (2021-06-13T04:41:17Z) - Towards Good Practices for Efficiently Annotating Large-Scale Image
Classification Datasets [90.61266099147053]
多数の画像の分類ラベルを収集するための効率的なアノテーション戦略を検討する。
人間のラベリング作業を最小化するための修正とベストプラクティスを提案します。
ImageNet100の125kイメージサブセットのシミュレーション実験では、平均で0.35のアノテーションで80%のトップ-1の精度でアノテートできることが示されている。
論文 参考訳（メタデータ） (2021-04-26T16:29:32Z) - Metadata Normalization [54.43363251520749]
バッチ正規化(bn)は、バッチ統計の標準化によって特徴分布を正規化する。
BNは外部変数や複数の分布からの影響を補正していない。
トレーニングフレームワーク内でエンドツーエンドで使用できる新しいバッチレベルのオペレーションであるMetadata Normalizationレイヤを紹介します。
論文 参考訳（メタデータ） (2021-04-19T05:10:26Z) - SCAN: Learning to Classify Images without Labels [73.69513783788622]
機能学習とクラスタリングを分離する2段階のアプローチを提唱する。
表現学習からの自己教師型タスクを用いて意味論的意味のある特徴を得る。
我々は、ImageNet上で有望な結果を得、低データ体制下では、いくつかの半教師付き学習方法より優れています。
論文 参考訳（メタデータ） (2020-05-25T18:12:33Z)
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。