論文の概要: Agriculture-Vision Challenge 2024 -- The Runner-Up Solution for Agricultural Pattern Recognition via Class Balancing and Model Ensemble
- arxiv url: http://arxiv.org/abs/2406.12271v1
- Date: Tue, 18 Jun 2024 04:59:04 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-19 20:45:27.814560
- Title: Agriculture-Vision Challenge 2024 -- The Runner-Up Solution for Agricultural Pattern Recognition via Class Balancing and Model Ensemble
- Title（参考訳）: 2024年農業ビジョンチャレンジ-クラスバランスとモデルアンサンブルによる農業パターン認識のためのランナーアップソリューション
- Authors: Wang Liu, Zhiyu Wang, Puhong Duan, Xudong Kang, Shutao Li,
- Abstract要約: CVPR 2024の農業ビジョンチャレンジは、セマンティックセマンティックセマンティクスモデルを活用してピクセルレベルのセマンティクスセマンティクスラベルを作成することを目的としている。
本稿では,モザイクデータ拡張手法を提案する。
提案手法は,テストセットにおいて平均mIoU(mIoU)スコア0.547を達成し,この課題において第2位を確保した。
- 参考スコア（独自算出の注目度）: 20.631333392618327
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The Agriculture-Vision Challenge at CVPR 2024 aims at leveraging semantic segmentation models to produce pixel level semantic segmentation labels within regions of interest for multi-modality satellite images. It is one of the most famous and competitive challenges for global researchers to break the boundary between computer vision and agriculture sectors. However, there is a serious class imbalance problem in the agriculture-vision dataset, which hinders the semantic segmentation performance. To solve this problem, firstly, we propose a mosaic data augmentation with a rare class sampling strategy to enrich long-tail class samples. Secondly, we employ an adaptive class weight scheme to suppress the contribution of the common classes while increasing the ones of rare classes. Thirdly, we propose a probability post-process to increase the predicted value of the rare classes. Our methodology achieved a mean Intersection over Union (mIoU) score of 0.547 on the test set, securing second place in this challenge.
- Abstract（参考訳）: CVPR 2024の農業ビジョンチャレンジは、セマンティックセマンティックセマンティックモデルを活用して、マルチモード衛星画像の関心領域内でピクセルレベルのセマンティックセマンティックセマンティックセマンティクスラベルを作成することを目的としている。
これは、コンピュータビジョンと農業セクターの境界を突破する、世界研究者にとって最も有名で競争の激しい課題の1つである。
しかし、農業ビジョンデータセットには深刻なクラス不均衡の問題があり、セマンティックセグメンテーションのパフォーマンスを妨げている。
この問題を解決するために,まず,長い尾の標本を豊かにするために,希少なクラスサンプリング戦略を用いたモザイクデータ拡張を提案する。
第2に,適応型クラスウェイト方式を用いて,レアクラスのウェイトを増大させながら,共通クラスの寄与を抑制する。
第3に,レアクラスの予測値を増加させる確率ポストプロセスを提案する。
提案手法は,テストセットにおいて平均mIoU(mIoU)スコア0.547を達成し,この課題において第2位を確保した。
関連論文リスト
- A SAM-based Solution for Hierarchical Panoptic Segmentation of Crops and
Weeds Competition [2.7624021966289605]
本稿では,Segment AnyThing Model(SAM)のインスタンスセグメンテーションにおける有効性と,オブジェクト検出モデルからの迅速な入力を組み合わせたアプローチを提案する。
ベストパフォーマンスモデルでは,PQ+スコアが81.33であった。
論文 参考訳（メタデータ） (2023-09-24T08:34:12Z) - Food Image Classification and Segmentation with Attention-based Multiple
Instance Learning [51.279800092581844]
本稿では,食品画像分類とセマンティックセグメンテーションモデルを訓練するための弱教師付き方法論を提案する。
提案手法は、注意に基づくメカニズムと組み合わせて、複数のインスタンス学習アプローチに基づいている。
提案手法の有効性を検証するため,FoodSeg103データセット内の2つのメタクラスについて実験を行った。
論文 参考訳（メタデータ） (2023-08-22T13:59:47Z) - Extended Agriculture-Vision: An Extension of a Large Aerial Image
Dataset for Agricultural Pattern Analysis [11.133807938044804]
農業ビジョンデータセットの改良版(Chiu et al., 2020b)をリリースする。
このデータセットは,3600大,高解像度(10cm/ピクセル),フルフィールド,赤緑色,近赤外画像の事前トレーニングにより拡張する。
下流分類とセマンティックセグメンテーションの両タスクにおいて、異なるコントラスト学習アプローチをベンチマークすることで、このデータの有用性を実証する。
論文 参考訳（メタデータ） (2023-03-04T17:35:24Z) - Fine-Grained Hard Negative Mining: Generalizing Mitosis Detection with a
Fifth of the MIDOG 2022 Dataset [1.2183405753834562]
ミトーシス領域一般化チャレンジ2022(MIDOG)の深層学習ソリューションについて述べる。
我々のアプローチは、アグレッシブデータ拡張を用いた回転不変深層学習モデルの訓練である。
我々のモデルアンサンブルは、自動評価後の最終テストセットで.697のF1スコアを達成した。
論文 参考訳（メタデータ） (2023-01-03T13:06:44Z) - Universal Object Detection with Large Vision Model [79.06618136217142]
本研究は,大規模多領域普遍物体検出問題に焦点をあてる。
これらの課題に対処するために,ラベル処理,階層型設計,資源効率のよいモデルトレーニングを提案する。
本手法は,ロバスト・ビジョン・チャレンジ2022のオブジェクト検出トラックにおいて,優れた2位の地位を確保した。
論文 参考訳（メタデータ） (2022-12-19T12:40:13Z) - Rethinking Clustering-Based Pseudo-Labeling for Unsupervised
Meta-Learning [146.11600461034746]
教師なしメタラーニングのメソッドであるCACTUsは、擬似ラベル付きクラスタリングベースのアプローチである。
このアプローチはモデルに依存しないため、教師付きアルゴリズムと組み合わせてラベルのないデータから学習することができる。
このことの核となる理由は、埋め込み空間においてクラスタリングに優しい性質が欠如していることである。
論文 参考訳（メタデータ） (2022-09-27T19:04:36Z) - Agriculture-Vision Challenge 2022 -- The Runner-Up Solution for
Agricultural Pattern Recognition via Transformer-based Models [11.615548490321123]
CVPR 2022における第3回農業ビジョンチャレンジへの解決策を提案する。
我々は,データ前処理方式とトランスフォーマーベースモデル,およびデータ拡張技術を活用し,0.582mIoUを実現する。
論文 参考訳（メタデータ） (2022-06-23T18:02:12Z) - A Boundary Based Out-of-Distribution Classifier for Generalized
Zero-Shot Learning [83.1490247844899]
Generalized Zero-Shot Learning (GZSL)は多くの現実的なシナリオにおいて有望な見通しを持つ挑戦的なトピックである。
本研究では,見知らぬ領域を学習用サンプルのみを用いて分類する境界に基づくアウト・オブ・ディストリビューション(OOD)分類器を提案する。
我々は、AWA1、AWA2、CUB、FLO、SUNを含む5つの人気のあるベンチマークデータセットに対して、我々のアプローチを広範囲に検証する。
論文 参考訳（メタデータ） (2020-08-09T11:27:19Z) - The 1st Agriculture-Vision Challenge: Methods and Results [144.57794061346974]
第1回農業ビジョンチャレンジは、航空画像から農業パターン認識のための新しい効果的なアルゴリズムの開発を奨励することを目的としている。
約57の参加チームが、航空農業のセマンティックセグメンテーションの最先端を達成するために競っている。
本報告では,課題における注目すべき手法と成果について概説する。
論文 参考訳（メタデータ） (2020-04-21T05:02:31Z) - Alleviating Semantic-level Shift: A Semi-supervised Domain Adaptation
Method for Semantic Segmentation [97.8552697905657]
このタスクの重要な課題は、ソースとターゲットドメイン間のデータ分散の相違を緩和する方法である。
本稿では,グローバルな視点とローカルな視点の両方から分布の整合性を促進できるASS(Alleviating Semantic-level Shift)を提案する。
GTA5、Cityscapes、Synthia、Cityscapesの2つのドメイン適応タスクにASSを適用します。
論文 参考訳（メタデータ） (2020-04-02T03:25:05Z)
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。