論文の概要: Efficient auto-labeling of large-scale poultry datasets (ALPD) using an ensemble model with self- and active-learning approaches

• arxiv url: http://arxiv.org/abs/2501.10809v2
• Date: Sat, 22 Feb 2025 00:11:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-25 15:49:44.733029
• Title: Efficient auto-labeling of large-scale poultry datasets (ALPD) using an ensemble model with self- and active-learning approaches
• Title（参考訳）: 自己学習型および能動学習型アンサンブルモデルを用いた大規模養鶏データセット(ALPD)の効率的な自動ラベリング
• Authors: Ramesh Bahadur Bist, Lilong Chai, Shawna Weimer, Hannah Atungulua, Chantel Pennicott, Xiao Yang, Sachin Subedi, Chaitanya Pallerla, Yang Tian, Dongyi Wang,
• Abstract要約: 本研究では,半教師付きオートラベル手法を探求し,自己学習と能動的学習のアプローチを統合して,大規模養鶏データセット(ALPD)の自動ラベル化のための効率的なラベルスカースフレームワークを開発する。 その結果, ブロイラーとヘン検出の性能指標を教師あり学習下で比較した場合, YOLOv8s-WorldとYOLOv9sの方が優れていた。 YOLO-Worldハイブリッドモデルは、最適なYOLOv8sバックボーンをゼロショットモデルに組み込んだもので、全体的な性能が最も高かった。
• 参考スコア（独自算出の注目度）: 4.6951658997946755
• License:
• Abstract: The rapid growth of artificial intelligence in poultry farming has highlighted the challenge of efficiently labeling large, diverse datasets. Manual annotation is time-consuming and costly, making it impractical for modern systems that continuously generate data. This study addresses this challenge by exploring semi-supervised auto-labeling methods, integrating self and active learning approaches to develop an efficient, label-scarce framework for auto-labeling large poultry datasets (ALPD). For this study, video data were collected from broilers and laying hens housed. Various machine learning models, including zero-shot models and supervised models, were utilized for broilers and hens detection. The results showed that YOLOv8s-World and YOLOv9s performed better when compared performance metrics for broiler and hen detection under supervised learning, while among the semi-supervised model, YOLOv8s-ALPD achieved the highest precision (96.1%) and recall (99%) with an RMSE of 1.87. The hybrid YOLO-World model, incorporating the optimal YOLOv8s backbone with zero-shot models, demonstrated the highest overall performance. It achieved a precision of 99.2%, recall of 99.4%, and an F1 score of 98.7% for detection. In addition, the semi-supervised models with minimal human intervention (active learning) reduced annotation time by over 80% compared to full manual labeling. Moreover, integrating zero-shot models with the best models enhanced broiler and hen detection, achieving comparable results to supervised models while significantly increasing speed. In conclusion, integrating semi-supervised auto-labeling and zero-shot models significantly improves detection accuracy. It reduces manual annotation efforts, offering a promising solution to optimize AI-driven systems in poultry farming, advancing precision livestock management, and promoting more sustainable practices.
• Abstract（参考訳）: 養鶏業における人工知能の急速な成長は、大規模で多様なデータセットを効率的にラベル付けすることの難しさを浮き彫りにした。 手動のアノテーションは時間がかかり費用がかかるため、データを継続的に生成する現代のシステムでは実用的ではない。 本研究は, 半教師付きオートラベル手法を探求し, 自己および能動的学習アプローチを統合し, 大規模養鶏データセットの自動ラベル化のための効率的なラベルスカースフレームワークを開発することで, 課題に対処する。 本研究では, ブロイラーから映像データを収集し, 産卵鶏を飼育した。 ゼロショットモデルや教師付きモデルなど、さまざまな機械学習モデルが、ブロイラーや羽根検出に使用された。 その結果, YOLOv8s-WorldとYOLOv9sは, 教師付き学習下でのブロイラーとヘン検出のパフォーマンス指標と比較した場合, YOLOv8s-ALPDは最大精度96.1%, リコール率99%, RMSEは1.87であった。 YOLO-Worldハイブリッドモデルは、最適なYOLOv8sバックボーンをゼロショットモデルに組み込んだもので、全体的な性能が最も高かった。 99.2%の精度、99.4%のリコール、98.7%のF1スコアを記録した。 加えて、人間の介入を最小限に抑えた半教師付きモデル(アクティブラーニング)は、完全な手動ラベリングに比べてアノテーションの時間を80%以上短縮した。 さらに、ゼロショットモデルと最良のモデルの統合によりブロイラーとヘン検出が向上し、教師付きモデルに匹敵する結果が得られたが、速度は大幅に向上した。 結論として、半教師付きオートラベルとゼロショットモデルの統合は、検出精度を著しく向上させる。 これは手作業によるアノテーションの取り組みを減らし、養鶏業におけるAI駆動システムの最適化、精密な家畜管理の推進、より持続可能なプラクティスの促進のための有望なソリューションを提供する。

関連論文リスト

• Enhancing Grammatical Error Detection using BERT with Cleaned Lang-8 Dataset [0.0]
  本稿では,文法的誤り検出(GED)のためのLLMモデルの改良について述べる。 GEDへの従来のアプローチには手作業で設計された機能が含まれていたが、最近、ニューラルネットワーク(NN)がこれらの機能の発見を自動化した。 BERTベースの未使用モデルでは、F1スコアは0.91で、トレーニングデータの精度は98.49%であった。
  論文  参考訳（メタデータ） (2024-11-23T10:57:41Z)
• Transfer Learning for Wildlife Classification: Evaluating YOLOv8 against DenseNet, ResNet, and VGGNet on a Custom Dataset [0.0]
  この研究は、データセット上で事前学習されたモデルを微調整するために転送学習を利用する。 YOLOv8は他のモデルより優れており、トレーニング精度97.39%、バリデーションF1スコア96.50%である。
  論文  参考訳（メタデータ） (2024-07-10T15:03:00Z)
• DigiRL: Training In-The-Wild Device-Control Agents with Autonomous Reinforcement Learning [61.10299147201369]
  本稿では,Wild デバイス制御エージェントをトレーニングするための新しい自律型 RL 手法である DigiRL を提案する。 VLMベースの評価器を備えた,スケーラブルで並列化可能なAndroid学習環境を構築する。 我々はAndroid-in-the-Wildデータセットを使用してDigiRLの有効性を実証し、RLでトレーニングした1.3B VLMは49.5%の絶対改善を実現した。
  論文  参考訳（メタデータ） (2024-06-14T17:49:55Z)
• Incremental Self-training for Semi-supervised Learning [56.57057576885672]
  ISTは単純だが有効であり、既存の自己学習に基づく半教師あり学習手法に適合する。 提案したISTを5つのデータセットと2種類のバックボーンで検証し,認識精度と学習速度を効果的に向上させる。
  論文  参考訳（メタデータ） (2024-04-14T05:02:00Z)
• Robust Learning with Progressive Data Expansion Against Spurious Correlation [65.83104529677234]
  本研究では,2層非線形畳み込みニューラルネットワークの学習過程について検討した。 分析の結果,不均衡なデータ群と学習容易なスプリアス特徴が学習過程におけるスプリアス特徴の優位性に繋がる可能性が示唆された。 本稿では,PDEと呼ばれる新たなトレーニングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-06-08T05:44:06Z)
• ASPEST: Bridging the Gap Between Active Learning and Selective Prediction [56.001808843574395]
  選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。 アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。 本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
  論文  参考訳（メタデータ） (2023-04-07T23:51:07Z)
• To be Critical: Self-Calibrated Weakly Supervised Learning for Salient Object Detection [95.21700830273221]
  弱教師付き有色物体検出(WSOD)は,画像レベルのアノテーションを用いた有色度モデルの開発を目的としている。 擬似ラベルとネットワーク予測の相互校正ループを明確に設定し,自己校正学習戦略を提案する。 十分に整合したアノテーションを持つはるかに小さなデータセットであっても、モデルがより優れたパフォーマンスと一般化性を達成するのに役立ちます。
  論文  参考訳（メタデータ） (2021-09-04T02:45:22Z)
• RLAD: Time Series Anomaly Detection through Reinforcement Learning and Active Learning [17.089402177923297]
  新しい半監視型時系列異常検出アルゴリズムを紹介します。 深層強化学習とアクティブラーニングを使用して、実世界の時系列データの異常を効率的に学習し、適応する。 パラメータを手動でチューニングする必要はなく、比較するすべての最先端のメソッドを上回ります。
  論文  参考訳（メタデータ） (2021-03-31T15:21:15Z)
• DeBERTa: Decoding-enhanced BERT with Disentangled Attention [119.77305080520718]
  2つの新しい手法を用いてBERTモデルとRoBERTaモデルを改善する新しいモデルアーキテクチャDeBERTaを提案する。 これらの手法により,モデル事前学習の効率化と,自然言語理解(NLU)と自然言語生成(NLG)の両方の性能向上が期待できる。
  論文  参考訳（メタデータ） (2020-06-05T19:54:34Z)

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。