Fugu-MT 論文翻訳(概要): WeedCLR: Weed Contrastive Learning through Visual Representations with Class-Optimized Loss in Long-Tailed Datasets

論文の概要: WeedCLR: Weed Contrastive Learning through Visual Representations with Class-Optimized Loss in Long-Tailed Datasets

arxiv url: http://arxiv.org/abs/2310.12465v1
Date: Thu, 19 Oct 2023 04:46:20 GMT
ステータス: 処理完了
システム内更新日: 2023-10-20 16:57:50.948889
Title: WeedCLR: Weed Contrastive Learning through Visual Representations with Class-Optimized Loss in Long-Tailed Datasets
Title（参考訳）: WeedCLR: 長期データセットにおけるクラス最適化損失を用いた視覚表現による雑草コントラスト学習
Authors: Alzayat Saleh, Alex Olsen, Jake Wood, Bronson Philippa and Mostafa Rahimi Azghadi
Abstract要約: 本稿では,視覚表現を用いた雑草コントラスト学習手法を提案する。 WeedCLRは、長い尾のデータセットにおける雑草分類の深部表現のフォン・ノイマン・エントロピーによるクラス最適化損失を使用する。平均精度はCottonWeedID15で4.3%、DeepWeedsで5.6%向上した。
参考スコア（独自算出の注目度）: 3.0516727053033392
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Image classification is a crucial task in modern weed management and crop intervention technologies. However, the limited size, diversity, and balance of existing weed datasets hinder the development of deep learning models for generalizable weed identification. In addition, the expensive labelling requirements of mainstream fully-supervised weed classifiers make them cost- and time-prohibitive to deploy widely, for new weed species, and in site-specific weed management. This paper proposes a novel method for Weed Contrastive Learning through visual Representations (WeedCLR), that uses class-optimized loss with Von Neumann Entropy of deep representation for weed classification in long-tailed datasets. WeedCLR leverages self-supervised learning to learn rich and robust visual features without any labels and applies a class-optimized loss function to address the class imbalance problem in long-tailed datasets. WeedCLR is evaluated on two public weed datasets: CottonWeedID15, containing 15 weed species, and DeepWeeds, containing 8 weed species. WeedCLR achieves an average accuracy improvement of 4.3\% on CottonWeedID15 and 5.6\% on DeepWeeds over previous methods. It also demonstrates better generalization ability and robustness to different environmental conditions than existing methods without the need for expensive and time-consuming human annotations. These significant improvements make WeedCLR an effective tool for weed classification in long-tailed datasets and allows for more rapid and widespread deployment of site-specific weed management and crop intervention technologies.
Abstract（参考訳）: 画像分類は、現代の雑草管理と作物の介入技術において重要な課題である。しかし、既存の雑草データセットのサイズ、多様性、バランスの制限は、一般化可能な雑草識別のためのディープラーニングモデルの開発を妨げる。さらに、主流の完全監督型雑草分類器の高価なラベリング要求により、新しい雑草種、およびサイト固有の雑草管理において、広く展開するのに費用と時間的制約がかかる。本稿では,長期データセットの雑草分類において,深層表現のフォン・ノイマンエントロピーを用いたクラス最適化型損失を用いた,視覚表現(weedclr)による雑草コントラスト学習の新しい手法を提案する。 weedclrは自己教師付き学習を利用して、ラベルなしでリッチで堅牢な視覚特徴を学習し、ロングテールデータセットにおけるクラス不均衡問題に対処するためにクラス最適化の損失関数を適用する。 WeedCLRは15種の雑草を含むCottonWeedID15と8種の雑草を含むDeepWeedsの2つの公開雑草データセットで評価されている。 WeedCLRは、CottonWeedID15で4.3\%、DeepWeedsで5.6\%の平均精度改善を実現している。また、コストと時間を要する人間のアノテーションを必要とせずに、既存の方法よりも、異なる環境条件に対する一般化能力と堅牢性を示す。これらの大幅な改善により、WeedCLRは、長い尾のデータセットにおける雑草分類の効果的なツールとなり、サイト固有の雑草管理と作物の介入技術のより迅速かつ広範な展開を可能にした。

関連論文リスト

Prototypical Hash Encoding for On-the-Fly Fine-Grained Category Discovery [65.16724941038052]
カテゴリ対応プロトタイプ生成(CPG)とディスクリミカテゴリ5.3%(DCE)が提案されている。 CPGは、各カテゴリを複数のプロトタイプで表現することで、カテゴリ内の多様性を完全にキャプチャすることを可能にする。 DCEは生成されたカテゴリプロトタイプのガイダンスによってハッシュコードの識別能力を向上する。
論文参考訳（メタデータ） (2024-10-24T23:51:40Z)
Continuous Contrastive Learning for Long-Tailed Semi-Supervised Recognition [50.61991746981703]
現在の最先端のLTSSLアプローチは、大規模な未ラベルデータに対して高品質な擬似ラベルに依存している。本稿では,長期学習における様々な提案を統一する新しい確率的枠組みを提案する。我々は、信頼度とスムーズな擬似ラベルを用いて、我々のフレームワークをラベルなしデータに拡張する、連続的コントラスト学習手法であるCCLを導入する。
論文参考訳（メタデータ） (2024-10-08T15:06:10Z)
Semi-Supervised Weed Detection for Rapid Deployment and Enhanced Efficiency [2.8444649426160304]
本稿では,2つの主要成分からなる半教師付き雑草検出手法を提案する。まず,異なる規模の雑草の特徴を捉えるために,マルチスケールの特徴表現手法を用いる。第2に、トレーニング中にラベル付き画像の小さなセットを活用する適応的な擬似ラベル割り当て戦略を提案する。
論文参考訳（メタデータ） (2024-05-12T23:34:06Z)
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)
Dynamic Conceptional Contrastive Learning for Generalized Category Discovery [76.82327473338734]
Generalized category discovery (GCD) は、部分的にラベル付けされたデータを自動でクラスタリングすることを目的としている。ラベル付きデータには、ラベル付きデータの既知のカテゴリだけでなく、新しいカテゴリのインスタンスも含まれている。 GCDの効果的な方法の1つは、ラベルなしデータの識別表現を学習するために自己教師付き学習を適用することである。本稿では,クラスタリングの精度を効果的に向上する動的概念コントラスト学習フレームワークを提案する。
論文参考訳（メタデータ） (2023-03-30T14:04:39Z)
Contextual Squeeze-and-Excitation for Efficient Few-Shot Image Classification [57.36281142038042]
本稿では,事前学習したニューラルネットワークを新しいタスクで調整し,性能を大幅に向上させる,Contextual Squeeze-and-Excitation (CaSE) という適応ブロックを提案する。また、メタトレーニングされたCaSEブロックと微調整ルーチンを利用して効率よく適応する、アッパーCaSEと呼ばれるコーディネートダイスに基づく新しいトレーニングプロトコルを提案する。
論文参考訳（メタデータ） (2022-06-20T15:25:08Z)
Deep-CNN based Robotic Multi-Class Under-Canopy Weed Control in Precision Farming [2.6085535710135654]
リアルタイム多クラス雑草識別は雑草の種特異的な処理を可能にし、除草剤の使用量を著しく減少させる。本稿では,5つのベンチマークCNNモデルを用いた分類性能のベースラインを提案する。我々はMobileNetV2を、リアルタイム雑草検出のためのコンパクトな自律ロボットTextitSAMBotにデプロイする。
論文参考訳（メタデータ） (2021-12-28T03:51:55Z)
Performance Evaluation of Deep Transfer Learning on Multiclass Identification of Common Weed Species in Cotton Production Systems [3.427330019009861]
本稿では,アメリカ南部の綿花生産システムに特有の雑草を同定するために,DTL(Deep Transfer Learning)を総合的に評価する。自然光条件および雑草生育段階の異なる15種類の雑草群5187色画像からなる雑草識別用データセットを作成した。 DTLはF1スコアの高い分類精度を95%以上達成し、モデル間でのトレーニング時間(2.5時間未満)を合理的に短縮する必要があった。
論文参考訳（メタデータ） (2021-10-11T01:51:48Z)
A Survey of Deep Learning Techniques for Weed Detection from Images [4.96981595868944]
既存の深層学習に基づく雑草検出・分類手法を検討する。その結果,ほとんどの研究が教師あり学習手法を適用し,高い分類精度を達成した。過去の実験は、大量のラベル付きデータが利用できる場合に既に高い精度を達成している。
論文参考訳（メタデータ） (2021-03-02T02:02:24Z)
Solving Long-tailed Recognition with Deep Realistic Taxonomic Classifier [68.38233199030908]
ロングテール認識は、現実世界のシナリオにおける自然な非一様分散データに取り組む。モダンは人口密度の高いクラスではうまく機能するが、そのパフォーマンスはテールクラスでは著しく低下する。 Deep-RTCは、リアリズムと階層的予測を組み合わせたロングテール問題の新しい解法として提案されている。
論文参考訳（メタデータ） (2020-07-20T05:57:42Z)
Two-View Fine-grained Classification of Plant Species [66.75915278733197]
本研究では,2視点の葉のイメージ表現に基づく新しい手法と,植物種の粒度認識のための階層的分類戦略を提案する。シームズ畳み込みニューラルネットワークに基づく深度測定は、多数のトレーニングサンプルへの依存を減らし、新しい植物種に拡張性を持たせるために用いられる。
論文参考訳（メタデータ） (2020-05-18T21:57:47Z)

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。