論文の概要: Neural Network Architecture Search Enabled Wide-Deep Learning (NAS-WD) for Spatially Heterogenous Property Awared Chicken Woody Breast Classification and Hardness Regression

• arxiv url: http://arxiv.org/abs/2409.17210v1
• Date: Wed, 25 Sep 2024 16:57:09 GMT
• ステータス: 処理完了
• システム内更新日: 2024-10-01 07:32:01.043759
• Title: Neural Network Architecture Search Enabled Wide-Deep Learning (NAS-WD) for Spatially Heterogenous Property Awared Chicken Woody Breast Classification and Hardness Regression
• Title（参考訳）: ニワトリの乳房分類と硬度回帰を考慮した広深度学習(NAS-WD)が可能なニューラルネットワークアーキテクチャ検索
• Authors: Chaitanya Pallerla, Yihong Feng, Casey M. Owens, Ramesh Bahadur Bist, Siavash Mahmoudi, Pouya Sohrabipour, Amirreza Davar, Dongyi Wang,
• Abstract要約: 世界の養鶏産業は、木質乳房(WB)の形で難しい問題に直面している。 WBは年間最大2億ドルの経済損失を出している。 WBの根本原因はまだ特定されていない。
• 参考スコア（独自算出の注目度）: 0.21681971652284857
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Due to intensive genetic selection for rapid growth rates and high broiler yields in recent years, the global poultry industry has faced a challenging problem in the form of woody breast (WB) conditions. This condition has caused significant economic losses as high as $200 million annually, and the root cause of WB has yet to be identified. Human palpation is the most common method of distinguishing a WB from others. However, this method is time-consuming and subjective. Hyperspectral imaging (HSI) combined with machine learning algorithms can evaluate the WB conditions of fillets in a non-invasive, objective, and high-throughput manner. In this study, 250 raw chicken breast fillet samples (normal, mild, severe) were taken, and spatially heterogeneous hardness distribution was first considered when designing HSI processing models. The study not only classified the WB levels from HSI but also built a regression model to correlate the spectral information with sample hardness data. To achieve a satisfactory classification and regression model, a neural network architecture search (NAS) enabled a wide-deep neural network model named NAS-WD, which was developed. In NAS-WD, NAS was first used to automatically optimize the network architecture and hyperparameters. The classification results show that NAS-WD can classify the three WB levels with an overall accuracy of 95%, outperforming the traditional machine learning model, and the regression correlation between the spectral data and hardness was 0.75, which performs significantly better than traditional regression models.
• Abstract（参考訳）: 近年の急激な成長率と高いブロイラー収量に対する遺伝的選択により、世界の養鶏産業は、木質乳房(WB)の形で難しい問題に直面している。 この状況は年間最大2億ドルの経済的損失をもたらしており、WBの根本原因はまだ特定されていない。 ヒトの触診は、WBと他者とを区別する最も一般的な方法である。 しかし、この方法は時間がかかり主観的である。 ハイパースペクトルイメージング(HSI)と機械学習アルゴリズムを組み合わせることで、非侵襲的で客観的で高スループットな方法でフィレットのWB条件を評価することができる。 本研究では,250種の生鶏の乳房充填液(正常,軽度,重度)を採取し,HSI処理モデルの設計において空間的に不均一な硬さ分布を最初に検討した。 この研究は、WBレベルをHSIから分類するだけでなく、スペクトル情報をサンプル硬度データと相関付ける回帰モデルを構築した。 ニューラルネットワークアーキテクチャサーチ(NAS)は,NAS-WDと呼ばれる広深度ニューラルネットワークモデルを実現する。 NAS-WDでは、NASはネットワークアーキテクチャとハイパーパラメータの自動最適化に使用された。 分類の結果,NAS-WDは3つのWBレベルを95%の精度で分類でき,従来の機械学習モデルよりも優れており,スペクトルデータと硬さの回帰相関は0.75であり,従来の回帰モデルよりもかなり優れていた。

関連論文リスト

• Data-Algorithm-Architecture Co-Optimization for Fair Neural Networks on Skin Lesion Dataset [14.525907439844241]
  本稿では,皮膚病変のデータセット解析において,良好な結果を得るために設計された新しいフレームワークであるBiaslessNASを紹介する。 実験の結果, BiaslessNASは従来のNAS法に比べて2.55%の精度向上と65.50%の公平性向上を実現していることがわかった。
  論文  参考訳（メタデータ） (2024-07-18T20:49:57Z)
• DNA Family: Boosting Weight-Sharing NAS with Block-Wise Supervisions [121.05720140641189]
  蒸留型ニューラルアーキテクチャ(DNA)技術を用いたモデル群を開発した。 提案するDNAモデルでは,アルゴリズムを用いてサブサーチ空間にのみアクセス可能な従来の手法とは対照的に,すべてのアーキテクチャ候補を評価できる。 当社のモデルでは,モバイルコンボリューションネットワークと小型ビジョントランスフォーマーにおいて,ImageNet上で78.9%,83.6%の最先端トップ1精度を実現している。
  論文  参考訳（メタデータ） (2024-03-02T22:16:47Z)
• Improved Generalization of Weight Space Networks via Augmentations [53.87011906358727]
  深度重み空間(DWS)における学習は新たな研究方向であり、2次元および3次元神経場(INRs, NeRFs)への応用 我々は、この過度な適合の理由を実証的に分析し、主要な理由は、DWSデータセットの多様性の欠如であることがわかった。 そこで本研究では,重み空間におけるデータ拡張戦略について検討し,重み空間に適応したMixUp法を提案する。
  論文  参考訳（メタデータ） (2024-02-06T15:34:44Z)
• Adaptive Variance Thresholding: A Novel Approach to Improve Existing Deep Transfer Vision Models and Advance Automatic Knee-Joint Osteoarthritis Classification [0.11249583407496219]
  Knee-Joint型変形性関節症(KOA)は、世界的な障害の原因であり、診断に本質的に複雑である。 1つの有望な分類経路は、ディープラーニングの手法を適用することである。 本研究は,学習後特殊分類器を改善するための新しいパラダイムを提案する。
  論文  参考訳（メタデータ） (2023-11-10T00:17:07Z)
• Hopfield-Enhanced Deep Neural Networks for Artifact-Resilient Brain State Decoding [0.0]
  そこで本研究では, ホップフィールド・ネットワークとコナール・ニューラル・ネットワーク(CNN)を併用した2段階の計算手法を提案する。 様々なレベルのデータ圧縮とノイズ強度のパフォーマンスは、我々のフレームワークがアーティファクトを効果的に軽減し、より低いノイズレベルにおいてクリーンなデータCNNと同等の精度でモデルに到達できることを示しました。
  論文  参考訳（メタデータ） (2023-11-06T15:08:13Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• On the effectiveness of partial variance reduction in federated learning with heterogeneous data [27.527995694042506]
  クライアント間の最終分類層の多様性は、FedAvgアルゴリズムの性能を阻害することを示す。 そこで本研究では,最終層のみの分散還元によるモデル修正を提案する。 同様の通信コストや低い通信コストで既存のベンチマークを著しく上回っていることを実証する。
  論文  参考訳（メタデータ） (2022-12-05T11:56:35Z)
• ESCHER: Eschewing Importance Sampling in Games by Computing a History Value Function to Estimate Regret [97.73233271730616]
  超大型ゲームにおけるナッシュ均衡の近似手法 : ニューラルネットワークを用いて近似最適ポリシー(戦略)を学習する DREAMは,モンテカルロCFR(MCCFR)から受け継がれた重要なサンプリング項により,極めて高いばらつきを有すると推定された後悔のターゲット上で,ニューラルネットワークを訓練する。 ESCHERの深層学習バージョンは、DREAMとニューラル・フィクション・セルフプレイ(NFSP)の先行状態よりも優れており、ゲームサイズが大きくなるにつれて、その違いは劇的になる。
  論文  参考訳（メタデータ） (2022-06-08T18:43:45Z)
• An Uncertainty-Aware, Shareable and Transparent Neural Network Architecture for Brain-Age Modeling [0.45763926712997843]
  本稿では,不確実性を認識し,共有可能かつ透明なモンテカルロドロップアウトコンポジット-クアンタイル-回帰ニューラルネットワークを提案する。 MCCQRモデルは、高次元のニューロイメージングデータにおいて、堅牢で分布のない不確実性定量化を提供する。 10のリクルートセンターと3つの独立したバリデーションサンプルで、既存のモデルと比較してエラー率を低くする。
  論文  参考訳（メタデータ） (2021-07-16T15:48:08Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)

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。