論文の概要: Hyperspectral Imaging-Based Grain Quality Assessment With Limited Labelled Data
- arxiv url: http://arxiv.org/abs/2411.10924v1
- Date: Sun, 17 Nov 2024 01:02:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-19 14:35:23.988597
- Title: Hyperspectral Imaging-Based Grain Quality Assessment With Limited Labelled Data
- Title（参考訳）: ラベリングデータを用いたハイパースペクトルイメージングによる結晶粒質評価
- Authors: Priyabrata Karmakar, Manzur Murshed, Shyh Wei Teng,
- Abstract要約: ハイパースペクトルイメージング(HSI)と少数ショット学習技術を用いた粒質評価の新しい手法を提案する。
HSIは、空間情報とスペクトル情報の両方をキャプチャすることで、非侵襲的でリアルタイムな代替手段を提供する。
まず,訓練中に見られた粒型の分類と,第2に目に見えない粒型への一般化の2つのシナリオにおいて,少数ショット分類器の性能を評価した。
- 参考スコア（独自算出の注目度）: 2.4797200957733576
- License:
- Abstract: Recently hyperspectral imaging (HSI)-based grain quality assessment has gained research attention. However, unlike other imaging modalities, HSI data lacks sufficient labelled samples required to effectively train deep convolutional neural network (DCNN)-based classifiers. In this paper, we present a novel approach to grain quality assessment using HSI combined with few-shot learning (FSL) techniques. Traditional methods for grain quality evaluation, while reliable, are invasive, time-consuming, and costly. HSI offers a non-invasive, real-time alternative by capturing both spatial and spectral information. However, a significant challenge in applying DCNNs for HSI-based grain classification is the need for large labelled databases, which are often difficult to obtain. To address this, we explore the use of FSL, which enables models to perform well with limited labelled data, making it a practical solution for real-world applications where rapid deployment is required. We also explored the application of FSL for the classification of hyperspectral images of bulk grains to enable rapid quality assessment at various receival points in the grain supply chain. We evaluated the performance of few-shot classifiers in two scenarios: first, classification of grain types seen during training, and second, generalisation to unseen grain types, a crucial feature for real-world applications. In the first scenario, we introduce a novel approach using pre-computed collective class prototypes (CCPs) to enhance inference efficiency and robustness. In the second scenario, we assess the model's ability to classify novel grain types using limited support examples. Our experimental results show that despite using very limited labelled data for training, our FSL classifiers accuracy is comparable to that of a fully trained classifier trained using a significantly larger labelled database.
- Abstract（参考訳）: 近年,高スペクトルイメージング(HSI)による穀物品質評価が注目されている。
しかし、他の画像モダリティとは異なり、HSIデータはディープ畳み込みニューラルネットワーク(DCNN)ベースの分類器を効果的に訓練するために必要なラベル付きサンプルが不足している。
本稿では,HSIとFSL技術を組み合わせた粒度評価手法を提案する。
従来の品質評価手法は、信頼性はあるものの、侵入的、時間的、高価である。
HSIは、空間情報とスペクトル情報の両方をキャプチャすることで、非侵襲的でリアルタイムな代替手段を提供する。
しかし、HSIに基づく粒度分類にDCNNを適用する上で重要な課題は、しばしば入手が困難である大規模ラベル付きデータベースの必要性である。
そこで本研究では,限定ラベル付きデータでモデルの性能を向上するFSLの利用について検討する。
また, 粒径の高スペクトル像の分類へのFSLの適用を検討した。
実世界のアプリケーションにとって重要な機能である,訓練中の粒型分類と未確認粒型への一般化の2つのシナリオにおいて,少数ショット分類器の性能を評価した。
最初のシナリオでは、推論効率とロバスト性を高めるために、事前計算された集合クラスプロトタイプ(CCP)を用いた新しいアプローチを導入する。
第2のシナリオでは、限定的なサポート例を用いて、新しいグレーンタイプを分類するモデルの能力を評価する。
実験の結果,非常に限られたラベル付きデータを用いてトレーニングを行った結果,FSL分類器の精度は,かなり大きなラベル付きデータベースを用いてトレーニングした完全に訓練された分類器に匹敵することがわかった。
関連論文リスト
- Refining Tuberculosis Detection in CXR Imaging: Addressing Bias in Deep Neural Networks via Interpretability [1.9936075659851882]
実験データから完全な分類精度を得ることができたとしても,深層学習モデルの信頼性は限られていると論じる。
大規模プロキシタスクでディープニューラルネットワークを事前トレーニングし、MOON(Mixed objective Optimization Network)を使用することで、モデルとエキスパート間の決定基盤の整合性を改善することができることを示す。
論文 参考訳（メタデータ） (2024-07-19T06:41:31Z) - Activate and Reject: Towards Safe Domain Generalization under Category
Shift [71.95548187205736]
カテゴリーシフト(DGCS)下における領域一般化の実践的問題について検討する。
未知のクラスサンプルを同時に検出し、ターゲットドメイン内の既知のクラスサンプルを分類することを目的としている。
従来のDGと比較すると,1)ソースクラスのみを用いたトレーニングにおいて,未知の概念を学習する方法,2)ソーストレーニングされたモデルを未知の環境に適応する方法,の2つの新しい課題に直面している。
論文 参考訳（メタデータ） (2023-10-07T07:53:12Z) - Universal Semi-Supervised Learning for Medical Image Classification [21.781201758182135]
セミ教師付き学習(SSL)は、適切なラベル付きトレーニングデータを収集するコストを削減できるため、多くの注目を集めている。
従来のSSLは、ラベル付きデータとラベルなしデータが同じディストリビューションのものであるべきだという仮定に基づいて構築されている。
本研究では,未表示のラベル付きデータを利用した半教師付き医療画像分類のための統一的なフレームワークを提案する。
論文 参考訳（メタデータ） (2023-04-08T16:12:36Z) - Trash to Treasure: Harvesting OOD Data with Cross-Modal Matching for
Open-Set Semi-Supervised Learning [101.28281124670647]
オープンセット半教師付き学習(Open-set SSL)では、ラベルなしデータにOOD(Out-of-distribution)サンプルを含む、難しいが実用的なシナリオを調査する。
我々は、OODデータの存在を効果的に活用し、特徴学習を増強する新しいトレーニングメカニズムを提案する。
我々のアプローチは、オープンセットSSLのパフォーマンスを大幅に向上させ、最先端技術よりも大きなマージンで性能を向上します。
論文 参考訳（メタデータ） (2021-08-12T09:14:44Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳（メタデータ） (2021-02-26T02:29:30Z) - Identifying nonclassicality from experimental data using artificial
neural networks [52.77024349608834]
ニューラルネットワークをトレーニングして、古典的および非古典的状態とを、その二次的測定分布から分類する。
光の状態の異なる実実験的な二次データから古典的特徴や非古典的特徴を正確に識別できることを示す。
論文 参考訳（メタデータ） (2021-01-18T15:12:47Z) - Image-based Automated Species Identification: Can Virtual Data
Augmentation Overcome Problems of Insufficient Sampling? [0.0]
視覚的種自動識別のための2段階データ拡張手法を提案する。
データ拡張の第1段階は、データ拡張と偽画像の生成という古典的なアプローチを適用している。
第2レベルのデータ拡張では、ベクトル空間におけるオーバーサンプリングアルゴリズムによって、特徴空間における合成的な追加サンプリングが採用されている。
論文 参考訳（メタデータ） (2020-10-18T15:44:45Z) - Fuzziness-based Spatial-Spectral Class Discriminant Information
Preserving Active Learning for Hyperspectral Image Classification [0.456877715768796]
本研究では,局所的・グローバルな識別情報保存手法の内外におけるファジィに基づく空間スペクトルを提案する。
ベンチマークHSIデータセットによる実験結果から,FLG法が生成,極端学習機械,スパース多相ロジスティック回帰に与える影響が示された。
論文 参考訳（メタデータ） (2020-05-28T18:58:11Z) - Semi-supervised Medical Image Classification with Relation-driven
Self-ensembling Model [71.80319052891817]
医用画像分類のための関係駆動型半教師付きフレームワークを提案する。
これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。
本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
論文 参考訳（メタデータ） (2020-05-15T06:57:54Z) - Improving Deep Hyperspectral Image Classification Performance with
Spectral Unmixing [3.84448093764973]
本稿では,多元HSI分類法を提案する。
我々は、データセット固有のオートエンコーダにより、スペクトル領域から豊富な領域へのすべてのHSIを変換する。
次に、複数のHSIからの豊富な表現を収集して拡大データセットを形成する。
論文 参考訳（メタデータ） (2020-04-01T17:14:05Z) - Adversarial Feature Hallucination Networks for Few-Shot Learning [84.31660118264514]
Adversarial Feature Hallucination Networks (AFHN) は条件付き Wasserstein Generative Adversarial Network (cWGAN) に基づいている。
合成された特徴の識別性と多様性を促進するために、2つの新規レギュレータがAFHNに組み込まれている。
論文 参考訳（メタデータ） (2020-03-30T02:43:16Z)
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。