論文の概要: Performance Evaluation of Semi-supervised Learning Frameworks for Multi-Class Weed Detection

• arxiv url: http://arxiv.org/abs/2403.03390v1
• Date: Wed, 6 Mar 2024 00:59:51 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-07 16:36:18.437355
• Title: Performance Evaluation of Semi-supervised Learning Frameworks for Multi-Class Weed Detection
• Title（参考訳）: 多種雑草検出のための半教師付き学習フレームワークの性能評価
• Authors: Jiajia Li, Dong Chen, Xunyuan Yin, and Zhaojian Li
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 15.828967396019143
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Effective weed control plays a crucial role in optimizing crop yield and enhancing agricultural product quality. However, the reliance on herbicide application not only poses a critical threat to the environment but also promotes the emergence of resistant weeds. Fortunately, recent advances in precision weed management enabled by ML and DL provide a sustainable alternative. Despite great progress, existing algorithms are mainly developed based on supervised learning approaches, which typically demand large-scale datasets with manual-labeled annotations, which is time-consuming and labor-intensive. As such, label-efficient learning methods, especially semi-supervised learning, have gained increased attention in the broader domain of computer vision and have demonstrated promising performance. These methods aim to utilize a small number of labeled data samples along with a great number of unlabeled samples to develop high-performing models comparable to the supervised learning counterpart trained on a large amount of labeled data samples. In this study, we assess the effectiveness of a semi-supervised learning framework for multi-class weed detection, employing two well-known object detection frameworks, namely FCOS and Faster-RCNN. Specifically, we evaluate a generalized student-teacher framework with an improved pseudo-label generation module to produce reliable pseudo-labels for the unlabeled data. To enhance generalization, an ensemble student network is employed to facilitate the training process. Experimental results show that the proposed approach is able to achieve approximately 76\% and 96\% detection accuracy as the supervised methods with only 10\% of labeled data in CottenWeedDet3 and CottonWeedDet12, respectively. We offer access to the source code, contributing a valuable resource for ongoing semi-supervised learning research in weed detection and beyond.
• Abstract（参考訳）: 効率的な雑草管理は、作物の収量最適化と農産物の品質向上に重要な役割を果たしている。 しかし、除草剤の施用への依存は環境に重大な脅威をもたらすだけでなく、抵抗性雑草の発生を促進する。 幸いなことに、MLとDLによって実現された精密雑草管理の進歩は、持続可能な代替手段である。 大きな進歩にもかかわらず、既存のアルゴリズムは、主に教師あり学習アプローチに基づいて開発されており、通常、手動のラベル付きアノテーションで大規模なデータセットを要求する。 このように、ラベル効率の高い学習方法、特に半教師付き学習は、コンピュータビジョンの広い領域で注目を集め、有望なパフォーマンスを示している。 これらの手法は、少数のラベル付きデータサンプルと大量のラベル付きデータサンプルを併用し、大量のラベル付きデータサンプルでトレーニングされた教師付き学習モデルに匹敵する高性能モデルを開発することを目的としている。 本研究では,マルチクラス雑草検出のための半教師付き学習フレームワークの有効性を評価し,FCOSとFaster-RCNNという2つのよく知られたオブジェクト検出フレームワークを用いた。 具体的には,改良された擬似ラベル生成モジュールを用いて一般化された学生教師フレームワークを評価し,ラベルなしデータに対して信頼性の高い擬似ラベルを生成する。 一般化を促進するために、訓練プロセスを容易にするためにアンサンブル学生ネットワークを用いる。 実験の結果,コッテンウィードデット3とコットンウィードデット12のラベル付きデータのわずか10\%で教師あり手法として,76\%,96\%検出精度が得られた。 ソースコードへのアクセスを提供し、雑草検出などの半教師あり学習研究に有用なリソースを提供しています。

関連論文リスト

• 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)
• Semi-supervised binary classification with latent distance learning [0.0]
  そこで本稿では,ランダムなk対クロス距離学習機構を持つラベルを用いて,二項分類問題を解くための新しい学習表現を提案する。 ラベルが少なく、データ拡張技術がないため、提案手法は最先端の半教師あり自己教師あり学習法より優れていた。
  論文  参考訳（メタデータ） (2022-11-28T09:05:26Z)
• Responsible Active Learning via Human-in-the-loop Peer Study [88.01358655203441]
  我々は,データプライバシを同時に保持し,モデルの安定性を向上させるために,Pear Study Learning (PSL) と呼ばれる責任あるアクティブラーニング手法を提案する。 まず,クラウドサイドのタスク学習者(教師)から未学習データを分離する。 トレーニング中、タスク学習者は軽量なアクティブ学習者に指示し、アクティブサンプリング基準に対するフィードバックを提供する。
  論文  参考訳（メタデータ） (2022-11-24T13:18:27Z)
• SURF: Semi-supervised Reward Learning with Data Augmentation for Feedback-efficient Preference-based Reinforcement Learning [168.89470249446023]
  我々は、大量のラベルなしサンプルとデータ拡張を利用する半教師付き報酬学習フレームワークSURFを提案する。 報奨学習にラベルのないサンプルを活用するために,選好予測器の信頼性に基づいてラベルのないサンプルの擬似ラベルを推定する。 本実験は, ロボット操作作業における嗜好に基づく手法のフィードバック効率を有意に向上させることを実証した。
  論文  参考訳（メタデータ） (2022-03-18T16:50:38Z)
• Towards Reducing Labeling Cost in Deep Object Detection [61.010693873330446]
  本稿では,検知器の不確実性と頑健性の両方を考慮した,アクティブラーニングのための統一的なフレームワークを提案する。 提案手法は, 確率分布のドリフトを抑えながら, 極めて確実な予測を擬似ラベル化することができる。
  論文  参考訳（メタデータ） (2021-06-22T16:53:09Z)
• Deep Semi-supervised Metric Learning with Dual Alignment for Cervical Cancer Cell Detection [49.78612417406883]
  子宮頸癌細胞検出のための新しい半教師付き深度測定法を提案する。 私たちのモデルは、埋め込みメトリック空間を学習し、提案レベルとプロトタイプレベルの両方でセマンティック機能の二重アライメントを行います。 本研究は,240,860個の頸部細胞画像からなる半監督型頸部がん細胞検出のための大規模データセットを初めて構築した。
  論文  参考訳（メタデータ） (2021-04-07T17:11:27Z)
• Deep Semi-supervised Knowledge Distillation for Overlapping Cervical Cell Instance Segmentation [54.49894381464853]
  本稿では, ラベル付きデータとラベルなしデータの両方を, 知識蒸留による精度向上に活用することを提案する。 摂動に敏感なサンプルマイニングを用いたマスク誘導型平均教師フレームワークを提案する。 実験の結果,ラベル付きデータのみから学習した教師付き手法と比較して,提案手法は性能を著しく向上することがわかった。
  論文  参考訳（メタデータ） (2020-07-21T13:27:09Z)
• Dual-Teacher: Integrating Intra-domain and Inter-domain Teachers for Annotation-efficient Cardiac Segmentation [65.81546955181781]
  本稿では,新しい半教師付きドメイン適応手法,すなわちDual-Teacherを提案する。 学生モデルは、2つの教師モデルによってラベル付けされていない対象データとラベル付けされた情報源データの知識を学習する。 提案手法では, ラベルなしデータとモダリティ間データとを並列に利用でき, 性能が向上することを示した。
  論文  参考訳（メタデータ） (2020-07-13T10:00:44Z)

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。