論文の概要: Class-Incremental Learning for Honey Botanical Origin Classification with Hyperspectral Images: A Study with Continual Backpropagation

• arxiv url: http://arxiv.org/abs/2506.10489v1
• Date: Thu, 12 Jun 2025 08:45:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-13 15:37:22.656957
• Title: Class-Incremental Learning for Honey Botanical Origin Classification with Hyperspectral Images: A Study with Continual Backpropagation
• Title（参考訳）: ハイパースペクトル画像を用いたハニー植物原産地分類のためのクラスインクリメンタル学習 : 連続的バックプロパゲーションによる検討
• Authors: Guyang Zhang, Waleed Abdulla,
• Abstract要約: 植物起源の分化のモデルを訓練するために、すべてのハチミツを一度に収集することは不可能である。 本研究は、実世界のハニカム分光画像データセットにおける複数のCILアルゴリズムについて検討・比較した。 また、連続的バックプロパゲーション(CB)アルゴリズムと組み合わせることで、クラス増分学習アルゴリズムの性能を向上させる手法も提案されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Honey is an important commodity in the global market. Honey types of different botanical origins provide diversified flavors and health benefits, thus having different market values. Developing accurate and effective botanical origin-distinguishing techniques is crucial to protect consumers' interests. However, it is impractical to collect all the varieties of honey products at once to train a model for botanical origin differentiation. Therefore, researchers developed class-incremental learning (CIL) techniques to address this challenge. This study examined and compared multiple CIL algorithms on a real-world honey hyperspectral imaging dataset. A novel technique is also proposed to improve the performance of class-incremental learning algorithms by combining with a continual backpropagation (CB) algorithm. The CB method addresses the issue of loss-of-plasticity by reinitializing a proportion of less-used hidden neurons to inject variability into neural networks. Experiments showed that CB improved the performance of most CIL methods by 1-7\%.
• Abstract（参考訳）: ハニーは世界的な市場で重要な商品です。 異なる植物起源のハニータイプは多様な風味と健康上の利益をもたらし、市場価値が異なる。 消費者の利益を守るためには、正確で効果的な植物起源識別技術の開発が不可欠である。 しかし、ハチミツのすべての品種を一度に集めて、植物起源の分化のモデルを訓練することは不可能である。 そこで研究者たちは、この課題に対処するために、クラスインクリメンタルラーニング(CIL)技術を開発した。 本研究は、実世界のハニカム分光画像データセットにおける複数のCILアルゴリズムについて検討・比較した。 また、連続的バックプロパゲーション(CB)アルゴリズムと組み合わせることで、クラス増分学習アルゴリズムの性能を向上させる手法も提案されている。 CB法は、未使用の隠れニューロンの割合を再活性化し、ニューラルネットワークに可変性を注入することで、可塑性の喪失の問題に対処する。 実験の結果, CBはほとんどのCIL法の性能を1-7\%改善した。

関連論文リスト

• A Multi-Scale Feature Extraction and Fusion Deep Learning Method for Classification of Wheat Diseases [4.8117894377430925]
  本研究では,高度な画像分割技術とマルチスケール特徴抽出を統合し,分類精度を向上させる革新的な手法を提案する。 提案手法では、ニューラルネットワークモデルXception, Inception V3, ResNet 50を用いて、大規模小麦病分類データセット2020のトレーニングを行う。 本研究は,提案手法が小麦病の分類において,現在の最先端手法と比較して99.75%の精度で優れていることを示した。
  論文  参考訳（メタデータ） (2025-01-17T03:29:41Z)
• Artificial Liver Classifier: A New Alternative to Conventional Machine Learning Models [4.395397502990339]
  本稿では,ヒト肝臓の解毒機能に触発された新しい教師付き学習分類器であるArtificial Liver(ALC)を紹介する。 ALCの特徴は、その単純さ、速度、ハイパーパラメータフリー、オーバーフィッティングを減らす能力、そして多重分類問題に対処する効果である。 Iris Flower、Breast Cancer Wisconsin、Wine、Voice Gender、MNISTの5つのベンチマーク機械学習データセットで評価された。
  論文  参考訳（メタデータ） (2025-01-14T12:42:01Z)
• Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
  同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。 構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。 スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
  論文  参考訳（メタデータ） (2024-03-02T00:56:05Z)
• Unmasking honey adulteration : a breakthrough in quality assurance through cutting-edge convolutional neural network analysis of thermal images [0.0]
  ハニーは、人口の豊かさと国の財政豊かさに重大な影響をもたらす、密通に敏感である。 本稿では、熱画像に基づく蜂蜜の分類に畳み込みニューラルネットワーク(CNN)を用いた新しいアプローチを提案する。 我々は、より合理化され、より複雑でない畳み込みニューラルネットワーク(CNN)モデルを実装した。
  論文  参考訳（メタデータ） (2024-02-12T23:33:22Z)
• Self-accumulative Vision Transformer for Bone Age Assessment Using the Sauvegrain Method [3.5814626468819046]
  本研究では,Sauvegrain法に基づく多視点マルチタスク分類モデルを用いた骨年齢評価(BAA)に対する新しいアプローチを提案する。 異方性挙動を緩和する自己累積視覚変換器(SAT)を提案する。
  論文  参考訳（メタデータ） (2023-03-29T09:26:54Z)
• Drug Synergistic Combinations Predictions via Large-Scale Pre-Training and Graph Structure Learning [82.93806087715507]
  薬物併用療法は、より有効で安全性の低い疾患治療のための確立された戦略である。 ディープラーニングモデルは、シナジスティックな組み合わせを発見する効率的な方法として登場した。 我々のフレームワークは、他のディープラーニングベースの手法と比較して最先端の結果を達成する。
  論文  参考訳（メタデータ） (2023-01-14T15:07:43Z)
• Seamless Iterative Semi-Supervised Correction of Imperfect Labels in Microscopy Images [57.42492501915773]
  生体内試験は、医療機器の毒性に対する動物実験の代替手段である。 人間の疲労は、深層学習を魅力的なものにするために、エラー作成に重要な役割を果たします。 我々は、不完全ラベルのシームレス反復半監督補正(SISSI)を提案する。 本手法は,物体検出に適応的な早期学習補正技術を提供する。
  論文  参考訳（メタデータ） (2022-08-05T18:52:20Z)
• Continual Learning with Bayesian Model based on a Fixed Pre-trained Feature Extractor [55.9023096444383]
  現在のディープラーニングモデルは、新しいクラスを学ぶ際に古い知識を破滅的に忘れることによって特徴づけられる。 人間の脳における新しい知識の学習プロセスに着想を得て,連続学習のためのベイズ生成モデルを提案する。
  論文  参考訳（メタデータ） (2022-04-28T08:41:51Z)
• FOSTER: Feature Boosting and Compression for Class-Incremental Learning [52.603520403933985]
  ディープニューラルネットワークは、新しいカテゴリーを学ぶ際に破滅的な忘れ方に悩まされる。 本稿では,新たなカテゴリを適応的に学習するためのモデルとして,新しい2段階学習パラダイムFOSTERを提案する。
  論文  参考訳（メタデータ） (2022-04-10T11:38:33Z)
• Rectified Meta-Learning from Noisy Labels for Robust Image-based Plant Disease Diagnosis [64.82680813427054]
  植物病は食料安全保障と作物生産に対する主要な脅威の1つである。 1つの一般的なアプローチは、葉画像分類タスクとしてこの問題を変換し、強力な畳み込みニューラルネットワーク(CNN)によって対処できる。 本稿では,正規化メタ学習モジュールを共通CNNパラダイムに組み込んだ新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-17T09:51:30Z)

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。