論文の概要: Plant Disease Recognition Datasets in the Age of Deep Learning: Challenges and Opportunities

• arxiv url: http://arxiv.org/abs/2312.07905v1
• Date: Wed, 13 Dec 2023 05:24:36 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-14 16:34:07.070484
• Title: Plant Disease Recognition Datasets in the Age of Deep Learning: Challenges and Opportunities
• Title（参考訳）: 深層学習時代における植物病の認識データセット : 課題と機会
• Authors: Mingle Xu and Ji Eun Park and Jaehwan Lee and Jucheng Yang and Sook Yoon
• Abstract要約: 本研究は、潜在的な植物病データセットを記述するための、情報的分類法を明示的に提案する。 課題指向のデータセットの作成や、実世界のアプリケーションにディープラーニングを配置する究極の目的など、今後の方向性を満足できるパフォーマンスで提供します。
• 参考スコア（独自算出の注目度）: 1.9578088547147654
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Plant disease recognition has witnessed a significant improvement with deep learning in recent years. Although plant disease datasets are essential and many relevant datasets are public available, two fundamental questions exist. First, how to differentiate datasets and further choose suitable public datasets for specific applications? Second, what kinds of characteristics of datasets are desired to achieve promising performance in real-world applications? To address the questions, this study explicitly propose an informative taxonomy to describe potential plant disease datasets. We further provide several directions for future, such as creating challenge-oriented datasets and the ultimate objective deploying deep learning in real-world applications with satisfactory performance. In addition, existing related public RGB image datasets are summarized. We believe that this study will contributing making better datasets and that this study will contribute beyond plant disease recognition such as plant species recognition. To facilitate the community, our project is public https://github.com/xml94/PPDRD with the information of relevant public datasets.
• Abstract（参考訳）: 植物病の認識は近年、深層学習で顕著な改善をみせている。 植物病データセットは必須であり、多くの関連するデータセットが公開されているが、2つの根本的な疑問が存在する。 まず、データセットを区別し、特定のアプリケーションに適したパブリックデータセットを選択する方法。 第二に、現実世界のアプリケーションで有望なパフォーマンスを達成するために、データセットのどのような特性が望ましいか? そこで本研究では,潜在的な植物病データセットを記述するための情報分類法を提案する。 さらに、チャレンジ指向データセットの作成や、現実のアプリケーションにディープラーニングを配置する究極の目的など、パフォーマンスに満足するいくつかの方向性も提供します。 さらに、既存の関連RGBイメージデータセットを要約する。 本研究は,より優れたデータセット作成に寄与し,植物種認識などの植物疾患認識を超えても寄与すると考えられる。 コミュニティを促進するために、我々のプロジェクトは、関連する公開データセットの情報を含むパブリックhttps://github.com/xml94/ppdrdです。

関連論文リスト

• Self-supervised transformer-based pre-training method with General Plant Infection dataset [3.969851116372513]
  本研究では、コントラスト学習とマスクド画像モデリング(MIM)を組み合わせた高度なネットワークアーキテクチャを提案する。 提案するネットワークアーキテクチャは,植物害虫や病原体認識タスクに対処し,優れた検出精度を実現する。 私たちのコードとデータセットは、植物害虫の研究と病気の認識を促進するために公開されます。
  論文  参考訳（メタデータ） (2024-07-20T15:48:35Z)
• On Responsible Machine Learning Datasets with Fairness, Privacy, and Regulatory Norms [58.93352076927003]
  AI技術の信頼性に関する深刻な懸念があった。 機械学習とディープラーニングのアルゴリズムは、開発に使用されるデータに大きく依存する。 本稿では,責任あるルーブリックを用いてデータセットを評価するフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-24T14:01:53Z)
• Ontologies for increasing the FAIRness of plant research data [0.0]
  オンロジーは特定の領域の概念と概念間の関係を提供する。 データ用語でタグ付けすることで、データはヒューマンマシンの解釈可能になり、再利用と相互運用性が向上する。 植物科学の根本的研究と、植物固有の実験に関するデータのアノテートにどのように使用できるかについて概説する。
  論文  参考訳（メタデータ） (2023-08-25T13:08:26Z)
• Exploring the Potential of AI-Generated Synthetic Datasets: A Case Study on Telematics Data with ChatGPT [0.0]
  この研究は、OpenAIの強力な言語モデルであるChatGPTを活用して、特にテレマティクス分野における合成データセットの構築と利用に力を入れている。 このデータ作成プロセスを説明するために、合成テレマティクスデータセットの生成に焦点を当てたハンズオンケーススタディが実施されている。
  論文  参考訳（メタデータ） (2023-06-23T15:15:13Z)
• LargeST: A Benchmark Dataset for Large-Scale Traffic Forecasting [65.71129509623587]
  道路交通予測はスマートシティのイニシアチブにおいて重要な役割を担い、ディープラーニングの力によって大きな進歩を遂げている。 しかし、現在の公開データセットで達成される有望な結果は、現実的なシナリオには適用できないかもしれない。 カリフォルニアで合計8,600のセンサーと5年間の時間カバレッジを含む、LargeSTベンチマークデータセットを紹介します。
  論文  参考訳（メタデータ） (2023-06-14T05:48:36Z)
• Embrace Limited and Imperfect Training Datasets: Opportunities and Challenges in Plant Disease Recognition Using Deep Learning [5.526950086166696]
  貧弱なデータセットを受け入れることは可能であり、これらのデータセットの使用に伴う課題を明確に定義することを目的としています。 我々は植物病の認識に重点を置いているが、貧しいデータセットの受け入れと分析の原則は農業を含む幅広い分野に適用可能であることを強調している。
  論文  参考訳（メタデータ） (2023-05-19T08:58:09Z)
• Beyond Privacy: Navigating the Opportunities and Challenges of Synthetic Data [91.52783572568214]
  合成データは、機械学習の世界において支配的な力となり、データセットを個々のニーズに合わせて調整できる未来を約束する。 合成データのより広範な妥当性と適用のために,コミュニティが克服すべき根本的な課題について論じる。
  論文  参考訳（メタデータ） (2023-04-07T16:38:40Z)
• A Comprehensive Survey of Dataset Distillation [73.15482472726555]
  限られた計算能力で無制限に成長するデータを扱うことは困難になっている。 ディープラーニング技術はこの10年で前例のない発展を遂げた。 本稿では,多面的なデータセット蒸留の総合的な理解を提供する。
  論文  参考訳（メタデータ） (2023-01-13T15:11:38Z)
• TRoVE: Transforming Road Scene Datasets into Photorealistic Virtual Environments [84.6017003787244]
  本研究では、シミュレーションデータセットに存在する困難とドメインギャップに対処する合成データ生成パイプラインを提案する。 既存のデータセットからアノテーションや視覚的手がかりを利用すれば、自動マルチモーダルデータ生成が容易になることを示す。
  論文  参考訳（メタデータ） (2022-08-16T20:46:08Z)
• DataPerf: Benchmarks for Data-Centric AI Development [81.03754002516862]
  DataPerfは、MLデータセットとデータ中心アルゴリズムを評価するための、コミュニティ主導のベンチマークスイートである。 私たちは、この反復的な開発をサポートするために、複数の課題を抱えたオープンなオンラインプラットフォームを提供しています。 ベンチマーク、オンライン評価プラットフォーム、ベースライン実装はオープンソースである。
  論文  参考訳（メタデータ） (2022-07-20T17:47:54Z)
• On The State of Data In Computer Vision: Human Annotations Remain Indispensable for Developing Deep Learning Models [0.0]
  高品質ラベル付きデータセットは機械学習(ML)の発展に重要な役割を果たす 2012年にImageNetデータセットとAlexNetモデルが登場して以来、新しいオープンソースのラベル付きビジョンデータセットのサイズはほぼ一定である。 コンピュータビジョンコミュニティの少数の出版物は、Imagenetよりも桁違いの大きさのデータセットの教師付き学習に取り組む。
  論文  参考訳（メタデータ） (2021-07-31T00:08:21Z)

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。