論文の概要: Analysis of Learned Features and Framework for Potato Disease Detection

• arxiv url: http://arxiv.org/abs/2310.05943v1
• Date: Tue, 29 Aug 2023 07:05:56 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-23 04:04:39.236111
• Title: Analysis of Learned Features and Framework for Potato Disease Detection
• Title（参考訳）: ジャガイモ病検出のための学習特徴と枠組みの解析
• Authors: Shikha Gupta, Soma Chakraborty, Renu Rameshan
• Abstract要約: 葉や健康な地域の病点から特徴が学習されることを保証することで、データセットのシフトを処理します。 これは、より高速なリージョンベースの畳み込みニューラルネットワーク(RCNN)をソリューションの1つとして、注目ベースのネットワークを他方として実現している。
• 参考スコア（独自算出の注目度）: 3.9134031118910264
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: For applications like plant disease detection, usually, a model is trained on publicly available data and tested on field data. This means that the test data distribution is not the same as the training data distribution, which affects the classifier performance adversely. We handle this dataset shift by ensuring that the features are learned from disease spots in the leaf or healthy regions, as applicable. This is achieved using a faster Region-based convolutional neural network (RCNN) as one of the solutions and an attention-based network as the other. The average classification accuracies of these classifiers are approximately 95% while evaluated on the test set corresponding to their training dataset. These classifiers also performed equivalently, with an average score of 84% on a dataset not seen during the training phase.
• Abstract（参考訳）: 植物病の検出のようなアプリケーションの場合、モデルは通常、公開データに基づいてトレーニングされ、フィールドデータでテストされる。 これは、テストデータ分布がトレーニングデータ分布と同じではなく、分類器の性能に悪影響を及ぼすことを意味する。 この特徴を葉や健康な領域の病点から学べるようにすることで、データセットのシフトに対処する。 これは、より高速なリージョンベースの畳み込みニューラルネットワーク(RCNN)をソリューションのひとつとして、注目ベースのネットワークを他方として実現している。 これらの分類器の平均的分類精度は、トレーニングデータセットに対応するテストセットで評価しながら約95%である。 これらの分類器も同等に実行され、トレーニングフェーズ中に見られないデータセットの平均スコアは84%だった。

関連論文リスト

• Unlearnable Examples Detection via Iterative Filtering [84.59070204221366]
  ディープニューラルネットワークは、データ中毒攻撃に弱いことが証明されている。 混合データセットから有毒なサンプルを検出することは極めて有益であり、困難である。 UE識別のための反復フィルタリング手法を提案する。
  論文  参考訳（メタデータ） (2024-08-15T13:26:13Z)
• Refining Tuberculosis Detection in CXR Imaging: Addressing Bias in Deep Neural Networks via Interpretability [1.9936075659851882]
  実験データから完全な分類精度を得ることができたとしても,深層学習モデルの信頼性は限られていると論じる。 大規模プロキシタスクでディープニューラルネットワークを事前トレーニングし、MOON(Mixed objective Optimization Network)を使用することで、モデルとエキスパート間の決定基盤の整合性を改善することができることを示す。
  論文  参考訳（メタデータ） (2024-07-19T06:41:31Z)
• CAFA: Class-Aware Feature Alignment for Test-Time Adaptation [50.26963784271912]
  テスト時間適応(TTA)は、テスト時にラベルのないデータにモデルを適応させることによって、この問題に対処することを目的としている。 本稿では,クラス認識特徴アライメント(CAFA, Class-Aware Feature Alignment)と呼ばれる単純な機能アライメント損失を提案する。
  論文  参考訳（メタデータ） (2022-06-01T03:02:07Z)
• Data-SUITE: Data-centric identification of in-distribution incongruous examples [81.21462458089142]
  Data-SUITEは、ID(In-distriion)データの不連続領域を特定するためのデータ中心のフレームワークである。 我々は,Data-SUITEの性能保証とカバレッジ保証を実証的に検証する。
  論文  参考訳（メタデータ） (2022-02-17T18:58:31Z)
• Automatically detecting data drift in machine learning classifiers [2.202253618096515]
  機械学習のパフォーマンスデータドリフト」や「ドリフト」に影響を及ぼす変化を言う。 提案するラベルの分類と信頼性のみに基づくアプローチを提案し,データ分散やデータドリフトの原因となる可能性のある特徴空間の変更を警告する。
  論文  参考訳（メタデータ） (2021-11-10T12:34:14Z)
• Dataset Bias Mitigation Through Analysis of CNN Training Scores [0.0]
  本稿では,スコアベース再サンプリング(SBR)と呼ばれる,ドメインに依存しない新しい手法を提案する。 そこで本手法では, トレーニングを行った場合, 同一のCNNモデルを用いて, トレーニングサンプルを推定し, 予測値を求め, 予測点と接地点との距離に基づいて, 接地点から遠く離れた標本を同定する。 提案手法の有効性を検証し,提案手法の有効性を確認した。
  論文  参考訳（メタデータ） (2021-06-28T16:07:49Z)
• Unsupervised neural adaptation model based on optimal transport for spoken language identification [54.96267179988487]
  トレーニングセットとテストセット間の音響音声の統計的分布のミスマッチにより,音声言語識別(SLID)の性能が大幅に低下する可能性がある。 SLIDの分布ミスマッチ問題に対処するために,教師なしニューラル適応モデルを提案する。
  論文  参考訳（メタデータ） (2020-12-24T07:37:19Z)
• Self-Challenging Improves Cross-Domain Generalization [81.99554996975372]
  畳み込みニューラルネットワーク(CNN)は、ラベルと相関する支配的特徴を活性化することにより、画像分類を行う。 ドメイン外データに対するCNNの一般化を著しく改善する簡単なトレーニングである自己整合表現(RSC)を導入する。 RSCはトレーニングデータ上で活性化される主要な機能に対して反復的に挑戦し、ラベルと相関する残りの機能を有効にするようネットワークに強制する。
  論文  参考訳（メタデータ） (2020-07-05T21:42:26Z)
• Learning with Out-of-Distribution Data for Audio Classification [60.48251022280506]
  我々は,OODインスタンスを破棄するよりも,特定のOODインスタンスを検出・復号化することで,学習に肯定的な影響を及ぼすことを示す。 提案手法は,畳み込みニューラルネットワークの性能を著しく向上させる。
  論文  参考訳（メタデータ） (2020-02-11T21:08:06Z)
• GIM: Gaussian Isolation Machines [40.7916016364212]
  多くの場合、ニューラルネットワーク分類器は、トレーニング配布データの外にある入力データに露出する。 OODデータに遭遇した場合に発生する問題の解決を目的とした,新しいハイブリッド分類器を提案する。 提案されたGIMの新規性は、識別性能と生成能力にある。
  論文  参考訳（メタデータ） (2020-02-06T09:51:47Z)

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。