論文の概要: DuckSegmentation: A segmentation model based on the AnYue Hemp Duck Dataset

• arxiv url: http://arxiv.org/abs/2503.21323v1
• Date: Thu, 27 Mar 2025 10:02:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-28 12:53:55.865366
• Title: DuckSegmentation: A segmentation model based on the AnYue Hemp Duck Dataset
• Title（参考訳）: DuckSegmentation: AnYue Hemp Duckデータセットに基づくセグメンテーションモデル
• Authors: Ling Feng, Tianyu Xie, Wei Ma, Ruijie Fu, Yingxiao Zhang, Jun Li, Bei Zhou,
• Abstract要約: そこで,本論文では,ダックプロセシング(DuckProcessing)について述べる。 YOLOv8モジュールを使用して精度は98.10%、リコールは96.53%、F1は0.95点に達した。 本手法は, 実践的なシマアヒルスマート農業における新しい考え方を提供する。
• 参考スコア（独自算出の注目度）: 14.297857008923463
• License:
• Abstract: The modernization of smart farming is a way to improve agricultural production efficiency, and improve the agricultural production environment. Although many large models have achieved high accuracy in the task of object recognition and segmentation, they cannot really be put into use in the farming industry due to their own poor interpretability and limitations in computational volume. In this paper, we built AnYue Shelduck Dateset, which contains a total of 1951 Shelduck datasets, and performed target detection and segmentation annotation with the help of professional annotators. Based on AnYue ShelduckDateset, this paper describes DuckProcessing, an efficient and powerful module for duck identification based on real shelduckfarms. First of all, using the YOLOv8 module designed to divide the mahjong between them, Precision reached 98.10%, Recall reached 96.53% and F1 score reached 0.95 on the test set. Again using the DuckSegmentation segmentation model, DuckSegmentation reached 96.43% mIoU. Finally, the excellent DuckSegmentation was used as the teacher model, and through knowledge distillation, Deeplabv3 r50 was used as the student model, and the final student model achieved 94.49% mIoU on the test set. The method provides a new way of thinking in practical sisal duck smart farming.
• Abstract（参考訳）: スマート農業の近代化は、農業生産効率を改善し、農業生産環境を改善する方法である。 多くの大規模モデルは、オブジェクト認識とセグメンテーションのタスクにおいて高い精度で達成されているが、計算量に問題があるため、農業では実際に使用することはできない。 本稿では,1951年のシェルダックデータセットを含むAnYue Shelduck Datesetを構築し,プロのアノテータの助けを借りて,ターゲット検出とセグメンテーションアノテーションを実行した。 AnYue ShelduckDatesetをベースとした本論文では,実シェルダックファームに基づくアヒル識別のための効率的かつ強力なモジュールであるDuckProcessingについて述べる。 まず、これらのマホンを分割するために設計されたYOLOv8モジュールを使用して、精度は98.10%に達し、リコールは96.53%、F1スコアは0.95に達した。 再びDuckSegmentationセグメンテーションモデルを使用して、DuckSegmentationは96.43% mIoUに達した。 最後に、優れたDuckSegmentationを教師モデルとして、知識蒸留を通じてDeeplabv3 r50を学生モデルとして、最終学生モデルはテストセットで94.49% mIoUを達成した。 本手法は, 実践的なシマアヒルスマート農業における新しい考え方を提供する。

関連論文リスト

• Efficient auto-labeling of large-scale poultry datasets (ALPD) using an ensemble model with self- and active-learning approaches [4.6951658997946755]
  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。
  論文  参考訳（メタデータ） (2025-01-18T16:20:04Z)
• Data Diet: Can Trimming PET/CT Datasets Enhance Lesion Segmentation? [70.38903555729081]
  我々はAutoPET3データ中心のトラックで競合するアプローチについて述べる。 AutoPETIIIデータセットでは、データセット全体をトレーニングしたモデルが望ましくない特性を示す。 我々は、スクラッチから再トレーニングする前に、モデル損失によって測定されたトレーニングデータセットから最も簡単なサンプルを取り除き、これを対処する。
  論文  参考訳（メタデータ） (2024-09-20T14:47:58Z)
• Country-Scale Cropland Mapping in Data-Scarce Settings Using Deep Learning: A Case Study of Nigeria [0.6827423171182154]
  私たちはグローバルな作物のデータセットと手書きのデータセットを組み合わせて、2020年にナイジェリアの新しい作物の地図を10m解像度で作成するための機械学習モデルをトレーニングしています。 本研究では,センチネル-1,2,ERA5気候データ,DEMデータなどのリモートセンシング源からの画素級時系列入力データに加えて,作物の存在を示すバイナリラベルも提供する。 We found that the existing WorldCover map are the best with a F1-score 0.825 and correct of 0.870 on the test set, then a single-headed LSTM model with our hand-labeled training。
  論文  参考訳（メタデータ） (2023-12-18T01:23:22Z)
• HarvestNet: A Dataset for Detecting Smallholder Farming Activity Using Harvest Piles and Remote Sensing [50.4506590177605]
  HarvestNetは、2020-2023年のエチオピアのティグレイとアムハラの農場の存在をマッピングするためのデータセットである。 本研究は,多くの小作システムの特徴ある収穫杭の検出に基づく新しい手法を提案する。 本研究は, 農作物のリモートセンシングが, 食品の安全地帯において, よりタイムリーかつ正確な農地評価に寄与することが示唆された。
  論文  参考訳（メタデータ） (2023-08-23T11:03:28Z)
• Boosting Long-tailed Object Detection via Step-wise Learning on Smooth-tail Data [60.64535309016623]
  カテゴリの長い尾の分布がスムーズに減衰し、ヘッドクラスに対するバイアスを補正するスムーズなテールデータを構築する。 我々は,ヘッドクラス支配的なリプレイデータに基づいて,事前学習したモデルのクラスに依存しないモジュールを微調整する。 我々は、すべてのカテゴリの正確な検出を保証するため、トップクラスエキスパートモデルから知識を伝達しながら、テールクラス支配的なリプレイデータ上で統一モデルを訓練する。
  論文  参考訳（メタデータ） (2023-05-22T08:53:50Z)
• Universal Domain Adaptation from Foundation Models: A Baseline Study [58.51162198585434]
  基礎モデルを用いた最先端UniDA手法の実証的研究を行った。 CLIPモデルからターゲット知識を抽出するためのパラメータフリーな手法であるtextitCLIP 蒸留を導入する。 単純な手法ではあるが、ほとんどのベンチマークタスクでは従来の手法よりも優れている。
  論文  参考訳（メタデータ） (2023-05-18T16:28:29Z)
• Domain Adaptation of Transformer-Based Models using Unlabeled Data for Relevance and Polarity Classification of German Customer Feedback [1.2999413717930817]
  この研究は、ドイツの顧客フィードバックデータセットを扱う際に、トランスフォーマーベースのモデルがいかに効率的であるかを調査する。 実験結果から,Transformerベースのモデルでは,fastTextベースラインに比べて大幅な改善が期待できることがわかった。
  論文  参考訳（メタデータ） (2022-12-12T08:32:28Z)
• End-to-end deep learning for directly estimating grape yield from ground-based imagery [53.086864957064876]
  本研究は, ブドウ畑の収量推定に深層学習と併用した近位画像の応用を実証する。 オブジェクト検出、CNN回帰、トランスフォーマーモデルという3つのモデルアーキテクチャがテストされた。 本研究は,ブドウの収量予測における近位画像と深層学習の適用性を示した。
  論文  参考訳（メタデータ） (2022-08-04T01:34:46Z)
• Deep Learning approach for Classifying Trusses and Runners of Strawberries [1.6799377888527687]
  本稿では,イチゴ植物のトラスとランナーの分類にDeep Learningを用いたことを提案する。 提案手法は、データセットを人工的に増強するためにノイズ(ガウス、スペックル、ポアソン、ソルト・アンド・ペッパー)を使用することに基づいている。 その結果, 精度, リコール, F1スコアの平均値を用いて評価した。
  論文  参考訳（メタデータ） (2022-07-06T14:48:35Z)
• Beyond Self-Supervision: A Simple Yet Effective Network Distillation Alternative to Improve Backbones [40.33419553042038]
  既製のトレーニング済み大型モデルからナレッジ蒸留による既存ベースラインネットワークの改善を提案します。 本ソリューションは,教師モデルと整合した学生モデルの予測のみを駆動することにより,蒸留を行う。 例えば、MobileNetV3-large と ResNet50-D の ImageNet-1k 検証セットにおけるトップ-1 の精度は、大幅に向上できる。
  論文  参考訳（メタデータ） (2021-03-10T09:32:44Z)
• Uncertainty-aware Self-training for Text Classification with Few Labels [54.13279574908808]
  本研究は,アノテーションのボトルネックを軽減するための半教師あり学習手法の1つとして,自己学習について研究する。 本稿では,基礎となるニューラルネットワークの不確実性推定を取り入れて,自己学習を改善する手法を提案する。 本手法では,クラス毎に20～30個のラベル付きサンプルをトレーニングに利用し,完全教師付き事前学習言語モデルの3%以内で検証を行う。
  論文  参考訳（メタデータ） (2020-06-27T08:13:58Z)

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。