論文の概要: Plant identification based on noisy web data: the amazing performance of deep learning (LifeCLEF 2017)

• arxiv url: http://arxiv.org/abs/2509.20856v1
• Date: Thu, 25 Sep 2025 07:47:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-26 20:58:12.764688
• Title: Plant identification based on noisy web data: the amazing performance of deep learning (LifeCLEF 2017)
• Title（参考訳）: ノイズの多いWebデータに基づく植物識別--ディープラーニングの素晴らしいパフォーマンス(LifeCLEF 2017)
• Authors: Herve Goeau, Pierre Bonnet, Alexis Joly,
• Abstract要約: LifeCLEFの植物識別チャレンジは、自動植物識別システムにとって重要なマイルストーンである。 LifeCLEF 2017の課題は、Webを通じて収集された大規模なノイズの多いトレーニングデータセットをどの程度評価し、ラベル付けエラーが多数含まれているかを評価することを目的としている。 本稿では,課題の資源と評価をより正確に提示し,参加研究グループが採用するアプローチとシステムを要約し,主な成果について分析する。
• 参考スコア（独自算出の注目度）: 2.961584451143903
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The 2017-th edition of the LifeCLEF plant identification challenge is an important milestone towards automated plant identification systems working at the scale of continental floras with 10.000 plant species living mainly in Europe and North America illustrated by a total of 1.1M images. Nowadays, such ambitious systems are enabled thanks to the conjunction of the dazzling recent progress in image classification with deep learning and several outstanding international initiatives, such as the Encyclopedia of Life (EOL), aggregating the visual knowledge on plant species coming from the main national botany institutes. However, despite all these efforts the majority of the plant species still remain without pictures or are poorly illustrated. Outside the institutional channels, a much larger number of plant pictures are available and spread on the web through botanist blogs, plant lovers web-pages, image hosting websites and on-line plant retailers. The LifeCLEF 2017 plant challenge presented in this paper aimed at evaluating to what extent a large noisy training dataset collected through the web and containing a lot of labelling errors can compete with a smaller but trusted training dataset checked by experts. To fairly compare both training strategies, the test dataset was created from a third data source, i.e. the Pl@ntNet mobile application that collects millions of plant image queries all over the world. This paper presents more precisely the resources and assessments of the challenge, summarizes the approaches and systems employed by the participating research groups, and provides an analysis of the main outcomes.
• Abstract（参考訳）: 2017年の第2回LifeCLEF植物識別チャレンジは、ヨーロッパと北アメリカに主に生息する10万種の植物が1100万枚の画像で示される大陸性花序の規模で作業する自動植物識別システムにとって重要なマイルストーンである。 最近では、画像分類と深層学習の進歩と、生物百科事典(Encyclopedia of Life, EOL)など、いくつかの優れた国際的イニシアチブが組み合わさって、主要な植物学機関からの植物種に関する視覚的知識を集約することで、このような野心的なシステムが実現されている。 しかし、これらの努力にもかかわらず、ほとんどの植物は写真が残っていないか、描写が不十分なままである。 施設のチャンネル以外では、植物学者のブログ、植物愛好家のWebページ、画像ホスティングサイト、オンラインの植物小売業者を通じて、はるかに多くの植物写真がウェブ上で公開されている。 この論文で提示されたLifeCLEF 2017のプラントチャレンジは、Webを通じて収集された巨大なノイズの多いトレーニングデータセットが、専門家がチェックしたより小さいが信頼できるトレーニングデータセットと、ラベル付けエラーを多く含んでいるかを評価することを目的としている。 両方のトレーニング戦略を適切に比較するために、テストデータセットは第3のデータソース、すなわち世界中の数百万の植物画像クエリを収集するPl@ntNetモバイルアプリケーションから作成された。 本稿では,課題の資源と評価をより正確に提示し,参加研究グループが採用するアプローチとシステムを要約し,主な成果について分析する。

関連論文リスト

• Overview of LifeCLEF Plant Identification task 2019: diving into data deficient tropical countries [2.961584451143903]
  LifeCLEF 2019 Plant Identification Challengeは、データ不足領域のフローラ上での自動識別を評価するように設計されている。 主にギアナ・シールドとアマゾン北部の熱帯雨林に焦点を当てた10K種のデータセットに基づいている。 本稿では,課題の資源と評価について概説し,参加研究グループによるアプローチとシステムについて概説し,主な成果について分析する。
  論文  参考訳（メタデータ） (2025-09-23T06:42:30Z)
• Overview of LifeCLEF Plant Identification task 2020 [2.961584451143903]
  LifeCLEF 2020 Plant Identification Challenge(またはPlantCLEF 2020)は、ハーバリウムコレクションを使うことで、データ不足領域のフローラにおける自動識別がどの程度改善できるかを評価するために設計された。 主に南アメリカのギアナ・シールド(Guiana Shield)に焦点を絞った約1000種のデータセットをベースとしている。 この課題は、数十万枚のハーバリウムシートと数千枚の写真で構成された、ドメイン間のマッピングの学習を可能にするクロスドメイン分類タスクとして評価された。
  論文  参考訳（メタデータ） (2025-09-23T06:35:19Z)
• Overview of PlantCLEF 2021: cross-domain plant identification [2.961584451143903]
  The LifeCLEF 2021 plant Identification Challenge was designed to improve the extent of flora can be improve of the extent of flora can be improve by using herbarium collections。 主に南アメリカのギアナシールドに焦点をあてた約1000種のデータセットに基づいている。 この課題は、数十万枚のハーバリウムシートと数千枚の写真からなる、クロスドメイン分類タスクとして評価された。
  論文  参考訳（メタデータ） (2025-09-23T06:26:24Z)
• Overview of PlantCLEF 2022: Image-based plant identification at global scale [2.961584451143903]
  世界には30万種以上の植物が生息していると推定されている。 深層学習技術は、植物生物多様性のグローバルな同定という、究極的で現実的な問題に対処できるほど成熟したように思える。 PlantCLEF2022 Challenge Editionは、マルチイメージ(およびメタデータ)の分類問題に取り組むことで、この方向への一歩を踏み出すことを提案している。
  論文  参考訳（メタデータ） (2025-09-22T11:40:21Z)
• Overview of PlantCLEF 2024: multi-species plant identification in vegetation plot images [2.7110107174608173]
  PlantCLEF 2024チャレンジでは、専門家が注釈を付け、800種以上をカバーした何千ものマルチラベル画像の新たなテストセットを活用する。 個々の植物画像170万枚からなる大規模なトレーニングセットと、このデータに基づいて事前訓練された最先端のビジョントランスフォーマーモデルを提供する。 目的は、高解像度プロット画像上に存在するすべての植物種を予測することである。
  論文  参考訳（メタデータ） (2025-09-19T08:51:41Z)
• Agave crop segmentation and maturity classification with deep learning data-centric strategies using very high-resolution satellite imagery [101.18253437732933]
  超高解像度衛星画像を用いたAgave tequilana Weber azul crop segmentation and mature classificationを提案する。 実世界の深層学習問題を,作物の選別という非常に具体的な文脈で解決する。 結果として得られた正確なモデルにより、大規模地域で生産予測を行うことができる。
  論文  参考訳（メタデータ） (2023-03-21T03:15:29Z)
• Semantic Image Segmentation with Deep Learning for Vine Leaf Phenotyping [59.0626764544669]
  本研究では,ブドウの葉のイメージを意味的にセグメント化するためにDeep Learning法を用いて,葉の表現型自動検出システムを開発した。 私たちの研究は、成長や開発のような動的な特性を捉え定量化できる植物ライフサイクルのモニタリングに寄与します。
  論文  参考訳（メタデータ） (2022-10-24T14:37:09Z)
• Potato Crop Stress Identification in Aerial Images using Deep Learning-based Object Detection [60.83360138070649]
  本稿では, 深層ニューラルネットワークを用いたジャガイモの空中画像解析手法を提案する。 主な目的は、植物レベルでの健康作物とストレス作物の自動空間認識を実証することである。 実験により、フィールド画像中の健康植物とストレス植物を識別し、平均Dice係数0.74を達成できることを示した。
  論文  参考訳（メタデータ） (2021-06-14T21:57:40Z)
• Semi-Supervised Semantic Segmentation in Earth Observation: The MiniFrance Suite, Dataset Analysis and Multi-task Network Study [82.02173199363571]
  我々は,地球観測における半教師付きセマンティックセマンティックセグメンテーションのための新しい大規模データセット,MiniFranceスイートを紹介した。 MiniFranceにはいくつかの前例のない特性があり、2000以上の超高解像度の空中画像を含み、200億枚以上のサンプル(ピクセル)を処理している。 外観の類似性やMiniFranceデータの徹底的な研究からデータ代表性分析のためのツールを提案し,半教師付き環境での学習や一般化に適していることを示す。
  論文  参考訳（メタデータ） (2020-10-15T15:36:58Z)
• Two-View Fine-grained Classification of Plant Species [66.75915278733197]
  本研究では,2視点の葉のイメージ表現に基づく新しい手法と,植物種の粒度認識のための階層的分類戦略を提案する。 シームズ畳み込みニューラルネットワークに基づく深度測定は、多数のトレーニングサンプルへの依存を減らし、新しい植物種に拡張性を持たせるために用いられる。
  論文  参考訳（メタデータ） (2020-05-18T21:57:47Z)

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。