論文の概要: From Web Data to Real Fields: Low-Cost Unsupervised Domain Adaptation for Agricultural Robots

• arxiv url: http://arxiv.org/abs/2410.23906v1
• Date: Thu, 31 Oct 2024 13:11:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-01 17:01:44.547614
• Title: From Web Data to Real Fields: Low-Cost Unsupervised Domain Adaptation for Agricultural Robots
• Title（参考訳）: Webデータから実地へ:農業ロボットのための低コスト非教師付きドメイン適応
• Authors: Vasileios Tzouras, Lazaros Nalpantidis, Ronja Güldenring,
• Abstract要約: 本稿では,Unsupervised Domain Adaptation (UDA) を用いて,特定分野への適応を低コストで行うことを目的とする。 我々は、多様なインターネットソースデータのプールから、特定の場所でロボットが収集した小さなデータセットへの、新たなドメインシフトを探求する。 我々は,マルチレベル注意に基づく適応識別器(MAAD)という新しいモジュールを導入し,任意の検出モデルの特徴抽出器レベルで統合する。
• 参考スコア（独自算出の注目度）: 3.7619101673213664
• License:
• Abstract: In precision agriculture, vision models often struggle with new, unseen fields where crops and weeds have been influenced by external factors, resulting in compositions and appearances that differ from the learned distribution. This paper aims to adapt to specific fields at low cost using Unsupervised Domain Adaptation (UDA). We explore a novel domain shift from a diverse, large pool of internet-sourced data to a small set of data collected by a robot at specific locations, minimizing the need for extensive on-field data collection. Additionally, we introduce a novel module -- the Multi-level Attention-based Adversarial Discriminator (MAAD) -- which can be integrated at the feature extractor level of any detection model. In this study, we incorporate MAAD with CenterNet to simultaneously detect leaf, stem, and vein instances. Our results show significant performance improvements in the unlabeled target domain compared to baseline models, with a 7.5% increase in object detection accuracy and a 5.1% improvement in keypoint detection.
• Abstract（参考訳）: 精密農業において、視覚モデルはしばしば、作物や雑草が外部要因の影響を受け、学習された分布と異なる構成や外観に苦しむ。 本稿では,Unsupervised Domain Adaptation (UDA) を用いて,特定の分野への適応を低コストで行うことを目的とする。 多様なインターネットソースデータのプールから、特定の場所でロボットが収集した小さなデータセットへの新たなドメインシフトを探索し、広範囲なフィールドデータ収集の必要性を最小限に抑える。 さらに,検出モデルの特徴抽出器レベルに統合可能な,マルチレベルアテンションベース適応識別器 (MAAD) を新たに導入した。 本研究では,葉,茎,静脈の同時検出にMAADをCenterNetに組み込んだ。 その結果,未ラベル対象領域では,ベースラインモデルと比較して,オブジェクト検出精度が7.5%向上し,キーポイント検出が5.1%向上した。

関連論文リスト

• M3BAT: Unsupervised Domain Adaptation for Multimodal Mobile Sensing with Multi-Branch Adversarial Training [5.128670847334003]
  マルチモーダルモバイルセンシングは、健康、健康、行動、文脈に関する推論に広く用いられている。 トレーニングセット内のデータの分布は、実世界のデータの分布、デプロイメント環境と異なる。 M3BATは,マルチブランチ対向学習を用いたマルチモーダル・モバイルセンシングのための教師なしドメイン適応である。
  論文  参考訳（メタデータ） (2024-04-26T13:09:35Z)
• DODA: Diffusion for Object-detection Domain Adaptation in Agriculture [4.549305421261851]
  本稿では,農業の新しい領域を対象とした高品質なオブジェクト検出データを生成するデータシンセサイザーであるDODAを提案する。 具体的には、画像としてレイアウトを符号化することでレイアウト・ツー・イメージの制御性を向上し、ラベルの品質を向上させる。
  論文  参考訳（メタデータ） (2024-03-27T08:16:33Z)
• Revisiting the Domain Shift and Sample Uncertainty in Multi-source Active Domain Transfer [69.82229895838577]
  Active Domain Adaptation (ADA)は、アノテートするターゲットデータの限られた数を選択することで、新しいターゲットドメインにおけるモデル適応を最大限に向上することを目的としている。 この設定は、複数のソースからトレーニングデータを収集するより実践的なシナリオを無視します。 これは、ADAを単一のソースドメインから複数のソースドメインに拡張する、新しい、挑戦的な知識転送の設定を目標にしています。
  論文  参考訳（メタデータ） (2023-11-21T13:12:21Z)
• Enhancing Visual Domain Adaptation with Source Preparation [5.287588907230967]
  ドメイン適応技術は、ソースドメイン自体の特性を考慮できません。 本稿では,ソース領域バイアスを軽減する手法であるソース準備(SP)を提案する。 また,ベースライン上のmIoUでは最大40.64%の改善が見られた。
  論文  参考訳（メタデータ） (2023-06-16T18:56:44Z)
• Domain Adaptation Principal Component Analysis: base linear method for learning with out-of-distribution data [55.41644538483948]
  ドメイン適応は現代の機械学習において一般的なパラダイムである。 ドメイン適応主成分分析(DAPCA)という手法を提案する。 DAPCAは、領域適応タスクの解決に有用な線形化データ表現を見つける。
  論文  参考訳（メタデータ） (2022-08-28T21:10:56Z)
• Unsupervised domain adaptation with non-stochastic missing data [0.6608945629704323]
  対象領域に欠落するデータが存在する場合の分類問題に対する教師なし領域適応(UDA)について検討する。 命令はドメイン不変の潜在空間で実行され、完全なソースドメインからの間接的な監視を利用する。 データセットの適応、分類、計算を共同で行う利点を示す。
  論文  参考訳（メタデータ） (2021-09-16T06:37:07Z)
• Gradual Domain Adaptation via Self-Training of Auxiliary Models [50.63206102072175]
  ソースとターゲットドメイン間のギャップを増やすことで、ドメイン適応はより難しくなります。 中間領域のモデルを学習する補助モデル(AuxSelfTrain)の自己学習を提案する。 教師なしおよび半教師付きドメイン適応のベンチマークデータセットの実験は、その有効性を検証する。
  論文  参考訳（メタデータ） (2021-06-18T03:15:25Z)
• Incremental Multi-Target Domain Adaptation for Object Detection with Efficient Domain Transfer [15.000304613769108]
  マルチターゲットドメイン適応(MTDA)技術は、複数のターゲットドメインにまたがって適切に一般化できるように、認識モデルを適応させようとする。 主な課題は、ターゲットデータのためのバウンディングボックスアノテーションの欠如、知識の腐敗、正確な深部検出モデルのトレーニングに必要なリソース要件の増加である。 従来学習した対象領域のデータを保持せずに、一度に複数の対象ドメインに検出器を適応させることができるオブジェクト検出のための新しいインクリメンタルMTDA技術を提案する。
  論文  参考訳（メタデータ） (2021-04-13T19:35:54Z)
• Inferring Latent Domains for Unsupervised Deep Domain Adaptation [54.963823285456925]
  Unsupervised Domain Adaptation (UDA)は、ラベル付きデータが利用できないターゲットドメインでモデルを学習する問題を指す。 本稿では,視覚データセット中の潜在ドメインを自動的に発見することにより,udaの問題に対処する新しい深層アーキテクチャを提案する。 提案手法を公開ベンチマークで評価し,最先端のドメイン適応手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-03-25T14:33:33Z)
• Domain Adaptation with Incomplete Target Domains [61.68950959231601]
  本稿では、この新たなドメイン適応問題に対処するために、不完全データインプットに基づく Adversarial Network (IDIAN) モデルを提案する。 提案モデルでは,対象領域における部分的な観測に基づいて,欠落した特徴値を満たすデータ計算モジュールを設計する。 我々は、クロスドメインベンチマークタスクと、不完全なターゲットドメインを用いた実世界適応タスクの両方で実験を行う。
  論文  参考訳（メタデータ） (2020-12-03T00:07:40Z)
• A Review of Single-Source Deep Unsupervised Visual Domain Adaptation [81.07994783143533]
  大規模ラベル付きトレーニングデータセットにより、ディープニューラルネットワークは、幅広いベンチマークビジョンタスクを拡張できるようになった。 多くのアプリケーションにおいて、大量のラベル付きデータを取得するのは非常に高価で時間を要する。 限られたラベル付きトレーニングデータに対処するため、大規模ラベル付きソースドメインでトレーニングされたモデルを、疎ラベルまたは未ラベルのターゲットドメインに直接適用しようと試みている人も多い。
  論文  参考訳（メタデータ） (2020-09-01T00:06:50Z)

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。