論文の概要: Active learning for efficient annotation in precision agriculture: a use-case on crop-weed semantic segmentation
- arxiv url: http://arxiv.org/abs/2404.02580v1
- Date: Wed, 3 Apr 2024 08:55:44 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-04 18:00:28.412081
- Title: Active learning for efficient annotation in precision agriculture: a use-case on crop-weed semantic segmentation
- Title（参考訳）: 精密農業における効率的なアノテーションのための能動的学習--雑草セマンティックセグメンテーションを事例として
- Authors: Bart M. van Marrewijk, Charbel Dandjinou, Dan Jeric Arcega Rustia, Nicolas Franco Gonzalez, Boubacar Diallo, Jérôme Dias, Paul Melki, Pieter M. Blok,
- Abstract要約: アクティブラーニングは、大きな未ラベルプールから最も情報性の高い画像の識別と選択を容易にする。
アクティブな学習は、Cityscapesのようなベンチマークデータセットで有望な結果を示しているが、農業領域におけるパフォーマンスは、まだ明らかにされていない。
本研究は,3つの能動的学習に基づく獲得関数の比較研究を行うことにより,この研究ギャップに対処する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Optimizing deep learning models requires large amounts of annotated images, a process that is both time-intensive and costly. Especially for semantic segmentation models in which every pixel must be annotated. A potential strategy to mitigate annotation effort is active learning. Active learning facilitates the identification and selection of the most informative images from a large unlabelled pool. The underlying premise is that these selected images can improve the model's performance faster than random selection to reduce annotation effort. While active learning has demonstrated promising results on benchmark datasets like Cityscapes, its performance in the agricultural domain remains largely unexplored. This study addresses this research gap by conducting a comparative study of three active learning-based acquisition functions: Bayesian Active Learning by Disagreement (BALD), stochastic-based BALD (PowerBALD), and Random. The acquisition functions were tested on two agricultural datasets: Sugarbeet and Corn-Weed, both containing three semantic classes: background, crop and weed. Our results indicated that active learning, especially PowerBALD, yields a higher performance than Random sampling on both datasets. But due to the relatively large standard deviations, the differences observed were minimal; this was partly caused by high image redundancy and imbalanced classes. Specifically, more than 89\% of the pixels belonged to the background class on both datasets. The absence of significant results on both datasets indicates that further research is required for applying active learning on agricultural datasets, especially if they contain a high-class imbalance and redundant images. Recommendations and insights are provided in this paper to potentially resolve such issues.
- Abstract（参考訳）: ディープラーニングモデルを最適化するには、大量の注釈付きイメージが必要です。
セマンティックセグメンテーションモデルでは、各ピクセルに注釈を付けなければならない。
アノテーションの取り組みを緩和するための潜在的戦略は、アクティブラーニングである。
アクティブラーニングは、大きな未ラベルプールから最も情報性の高い画像の識別と選択を容易にする。
根底にある前提は、これらの選択された画像は、ランダムな選択よりも高速にモデルの性能を改善し、アノテーションの労力を減らすことである。
アクティブな学習は、Cityscapesのようなベンチマークデータセットで有望な結果を示しているが、農業領域におけるパフォーマンスは、まだ明らかにされていない。
本研究では,ベイジアン能動的学習(BALD),確率型BALD(PowerBALD),ランダム(Random)の3つの能動的学習に基づく獲得機能の比較を行った。
取得機能は、SugarbeetとCorn-Weedの2つの農業データセットでテストされ、どちらも背景、作物、雑草の3つの意味クラスを含む。
その結果、アクティブな学習、特にPowerBALDは、両方のデータセットのランダムサンプリングよりも高いパフォーマンスが得られることがわかった。
しかし、比較的大きな標準偏差のため、観察された差は最小限であり、これは部分的には画像の冗長性と不均衡なクラスによって引き起こされた。
具体的には、99%以上のピクセルが両方のデータセットの背景クラスに属していた。
両データセットに有意な結果がないことは、特に高レベルの不均衡と冗長な画像を含む場合、農業データセットにアクティブな学習を適用するためにさらなる研究が必要であることを示唆している。
本論文では,このような問題を潜在的に解決するために,勧告と洞察を提供する。
関連論文リスト
- Granularity Matters in Long-Tail Learning [62.30734737735273]
より粒度の細かいデータセットは、データの不均衡の影響を受けにくい傾向があります。
既存のクラスと視覚的に類似したオープンセット補助クラスを導入し、頭と尾の両方の表現学習を強化することを目的とした。
補助授業の圧倒的な存在がトレーニングを混乱させるのを防ぐために,近隣のサイレンシング障害を導入する。
論文 参考訳（メタデータ） (2024-10-21T13:06:21Z) - SatSynth: Augmenting Image-Mask Pairs through Diffusion Models for Aerial Semantic Segmentation [69.42764583465508]
我々は,地球観測における注釈付きデータの不足に対処するために,生成的画像拡散の可能性を探る。
我々の知る限りでは、衛星セグメンテーションのための画像と対応するマスクの両方を最初に生成する。
論文 参考訳（メタデータ） (2024-03-25T10:30:22Z) - Two Approaches to Supervised Image Segmentation [55.616364225463066]
本研究は、深層学習とマルチセットニューロンのアプローチの比較実験を開発する。
ディープラーニングアプローチは、画像セグメンテーションの実行の可能性を確認した。
代替のマルチセット手法では、計算資源をほとんど必要とせずに精度を向上することができた。
論文 参考訳（メタデータ） (2023-07-19T16:42:52Z) - MoBYv2AL: Self-supervised Active Learning for Image Classification [57.4372176671293]
画像分類のための自己教師型アクティブラーニングフレームワークであるMoBYv2ALを提案する。
私たちの貢献は、最も成功した自己教師付き学習アルゴリズムであるMoBYをALパイプラインに持ち上げることです。
近年のAL法と比較すると,最先端の結果が得られている。
論文 参考訳（メタデータ） (2023-01-04T10:52:02Z) - An Empirical Investigation of Commonsense Self-Supervision with
Knowledge Graphs [67.23285413610243]
大規模知識グラフから抽出した情報に基づく自己監督は、言語モデルの一般化を改善することが示されている。
本研究では,言語モデルに適用可能な合成データを生成するための知識サンプリング戦略とサイズの影響について検討する。
論文 参考訳（メタデータ） (2022-05-21T19:49:04Z) - Improving Tail-Class Representation with Centroid Contrastive Learning [145.73991900239017]
本稿では,長い尾を持つ表現学習を改善するために,補間型セントロイドコントラスト学習(ICCL)を提案する。
ICCLは、クラス別サンプルとクラス別サンプルの2つの画像を補間し、ICCLの表現が両方のソースクラスのセントロイドを取得するために使用されるようにモデルを訓練する。
我々の結果は、現実世界の長い尾の分布を持つiNaturalist 2018データセットで2.8%の精度向上を示した。
論文 参考訳（メタデータ） (2021-10-19T15:24:48Z) - Class-Balanced Active Learning for Image Classification [29.5211685759702]
本稿では,クラスバランスを考慮に入れた汎用最適化フレームワークを提案する。
3つのデータセットの結果から,本手法は汎用的(既存のほとんどのアクティブラーニングアルゴリズムと組み合わせることができる)であり,情報と代表に基づくアクティブラーニング手法の性能向上に効果的に適用可能であることが示された。
論文 参考訳（メタデータ） (2021-10-09T11:30:26Z) - Few-Shot Learning for Image Classification of Common Flora [0.0]
MAML(Model-Agnostic Meta Learning)を用いた画像分類のためのメタラーニング分野の最先端の研究と、さまざまな最先端のトランスファーラーニングウェイトとアーキテクチャをテストした結果を紹介します。
その結果、データセットが十分に大きい場合、両方のプラクティスが十分なパフォーマンスを提供しますが、十分なパフォーマンスを維持するためにデータスパーシャビリティが導入されると、どちらも苦労しています。
論文 参考訳（メタデータ） (2021-05-07T03:54:51Z) - Diminishing Uncertainty within the Training Pool: Active Learning for
Medical Image Segmentation [6.3858225352615285]
医用画像データセットのセグメンテーション作業におけるアクティブラーニングについて検討する。
トレーニングデータセットをバイアスする不確実データの頻度の増大、入力画像間の相互情報を正規化として利用すること、およびスタイン変動勾配降下(SVGD)のためのダイスログの類似性(Dice log-likelihood)の適応という3つの新しいアクティブ学習戦略を提案する。
その結果、データセット毎に利用可能なデータの22.69 %と48.85 %をそれぞれ使用しながら、完全な精度を達成することで、データ削減の観点での改善が示された。
論文 参考訳（メタデータ） (2021-01-07T01:55:48Z) - How useful is Active Learning for Image-based Plant Phenotyping? [7.056477977834818]
本研究では,ディープラーニングモデルに必要なラベル付け量を削減し,予測性能を向上する能動的学習アルゴリズムを提案する。
アクティブラーニング手法は, 取得関数を用いてアノテートするサンプルを適応的に選択し, 固定ラベル付予算下での最大(分類)性能を実現する。
固定ラベル付け予算では、アクティブな学習ベースの獲得戦略を持つディープラーニングモデルの分類性能が、両方のデータセットに対するランダムサンプリングベースの獲得よりも優れていることが観察された。
論文 参考訳（メタデータ） (2020-06-07T20:32:42Z) - Reinforced active learning for image segmentation [34.096237671643145]
深部強化学習(RL)に基づく意味的セグメンテーションのための新しいアクティブラーニング戦略を提案する。
エージェントは、ラベルなしデータのプールからラベル付けされる小さな情報領域(画像全体とは対照的に)のサブセットを選択するポリシーを学ぶ。
本手法では, 意味的セグメンテーション問題の大規模性質に適応して, 能動的学習のための深部Q-network (DQN) の定式化を新たに提案する。
論文 参考訳（メタデータ） (2020-02-16T14:03:06Z)
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。