論文の概要: The Effects of Synthetic Data and Label Distribution on Canola Branch Counting
- arxiv url: http://arxiv.org/abs/2607.09630v1
- Date: Fri, 10 Jul 2026 17:27:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-13 14:47:12.913572
- Title: The Effects of Synthetic Data and Label Distribution on Canola Branch Counting
- Title（参考訳）: 合成データとラベル分布がカノラ枝数に及ぼす影響
- Abstract要約: キャノラ分岐計数タスクにおいて、校正Lシステムプラントモデルを用いてResNet-18モデルを訓練する。
1:5から1:22の合成と現実の比率は性能を向上し、最高の比(1:7)は平均絶対差を7.6%減らす。
1ラベルあたりの合成画像が最低10枚は、控えめな利得で簡単な代替手段を提供するが、ラベルあたり100枚は過度に修正され、性能が損なわれる。
- 参考スコア（独自算出の注目度）: 1.4946384731792854
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Collecting annotated plant images for automated phenotyping is often slow and expensive. Plant models simulating growth and development can generate unlimited synthetic images with exact labels. However, previous work has established that whether incorporating synthetic data improves performance depends on the ratio of synthetic to real images and the label distribution of the synthetic dataset. To systematically quantify both factors, we train ResNet-18 models on a canola branch-counting task using a calibrated L-system plant model. We vary each factor independently. Synthetic-to-real ratios of 1:5 to 1:22 broadly improve performance; the best ratio (1:7) reduces mean absolute difference by 7.6% over real-only training. For label distribution, a uniform synthetic distribution is strongly suboptimal (abs. diff. of approximately 1.70); interpolating 90% toward the real distribution yields abs. diff. 0.927, whereas Gaussian smoothing of the real label distribution yields the best overall result (abs. diff. 0.912, a 14.7% improvement over real-only). A minimum of 10 synthetic images per label offers a simpler alternative with modest gains, while 100 per label over-corrects and hurts performance.
- Abstract（参考訳）: 自動表現のための注釈付き植物画像の収集は遅くて高価であることが多い。
成長と開発をシミュレートする植物モデルは、正確なラベルを持つ無制限の合成画像を生成することができる。
しかし, 従来の研究は, 合成画像と実画像の比率と合成データセットのラベル分布に依存して, 合成データの導入による性能向上が確認されている。
両要因を体系的に定量化するために,キャノラ分岐計数タスクにおいて,校正Lシステムプラントモデルを用いてResNet-18モデルを訓練する。
私たちはそれぞれ独立して異なる。
1:5から1:22の合成と現実の比率は、パフォーマンスを広く改善し、最高の比(1:7)は、実際のトレーニングよりも平均絶対差を7.6%削減する。
ラベル分布では、一様合成分布が強く最適(約1.70 diff)であり、実際の分布に向かって90%を補間するとabが生成される。
ディフ
0.927であるのに対し、ガウス的な実ラベル分布の滑らか化は最も良い結果をもたらす(diff. 0.912, a 14.7%)。
1ラベルあたりの合成画像が最低10枚は、控えめな利得で簡単な代替手段を提供するが、ラベルあたり100枚は過度に修正され、性能が損なわれる。
関連論文リスト
- When Does Synthetic Patent Data Help? Volume-Fidelity Trade-offs in Low-Resource Multi-Label Classification [0.0]
BERT-for-PatentsのマイクロF1の改良は,主に体積効果を反映していることが示されている。
生のマイクロF1における分類性能を+0.58まで向上させるコーパスは、ジャカードオーバーラップ検索プロキシに悪影響を及ぼす可能性がある。
論文 参考訳（メタデータ） (2026-05-22T23:49:52Z) - SynthPID: P&ID digitization from Topology-Preserving Synthetic Data [0.0]
実際の図面から直接シードされた665個の合成P&IDのコーパスであるSynthPIDを紹介する。
SynthPIDだけでトレーニングされたモデルは、PID2Graph OPEN100上で63.8 +/-3.1%のエッジmAPを達成する。
論文 参考訳（メタデータ） (2026-04-15T09:14:44Z) - SRA-Seg: Synthetic to Real Alignment for Semi-Supervised Medical Image Segmentation [4.726777092009554]
SRA-Segは、医用画像セグメンテーションのための合成および実際の特徴分布を調整するために設計されたフレームワークである。
柔らかいエッジブレンディングを用いて、スムーズな解剖学的遷移と連続的なラベルを作成します。
SRA-Seg は ACDC の89.34%、FIVES の84.42% を達成し、既存の半教師付き手法を著しく上回っている。
論文 参考訳（メタデータ） (2026-02-03T00:38:51Z) - Towards Syn-to-Real IQA: A Novel Perspective on Reshaping Synthetic Data Distributions [74.00222571094437]
Blind Image Quality Assessment (BIQA)はディープラーニングを通じて大幅に進歩しているが、大規模なラベル付きデータセットの不足は依然として課題である。
合成データセットから学習した表現は、しばしば回帰性能を妨げる離散的かつクラスタ化されたパターンを示す。
本稿では,BIQAの一般化を促進するために,合成データ分布を再考する新しいフレームワークであるSynDR-IQAを紹介する。
論文 参考訳（メタデータ） (2026-01-01T06:11:16Z) - Optimizing Distributional Geometry Alignment with Optimal Transport for Generative Dataset Distillation [109.13471554184554]
最適輸送(OT)距離最小化問題としてデータセット蒸留を再構成する。
OTは分布マッチングのための幾何学的に忠実なフレームワークを提供する。
提案手法は, 常に最先端の手法を効率よく上回っている。
論文 参考訳（メタデータ） (2025-11-29T04:04:05Z) - Increasing the Utility of Synthetic Images through Chamfer Guidance [24.64550332298589]
Chamfer Guidanceは、合成データの質と多様性を特徴付けるトレーニング不要なガイダンスアプローチである。
提案手法は,2枚以上の実画像を用いて,最先端の撮影性能を実現する。
論文 参考訳（メタデータ） (2025-08-14T13:31:24Z) - Bounding Box-Guided Diffusion for Synthesizing Industrial Images and Segmentation Map [50.21082069320818]
最小限の監督で高忠実度産業データセットを生成するための拡散型パイプラインを提案する。
提案手法では, 拡張有界箱表現の拡散モデルを用いて, 正確なセグメンテーションマスクを生成する。
その結果、拡散に基づく合成は、人工的な産業データと実世界の産業データとのギャップを埋めることを示した。
論文 参考訳（メタデータ） (2025-05-06T15:21:36Z) - SAU: A Dual-Branch Network to Enhance Long-Tailed Recognition via Generative Models [9.340077455871736]
画像認識における長い尾の分布は、いくつかの支配階級間の深刻な不均衡のため、大きな課題となる。
近年,画像分類のための合成データ作成に大規模な生成モデルが用いられている。
本稿では,データ不均衡の影響を解消するために,長い尾のデータセットを補完する合成データを提案する。
論文 参考訳（メタデータ） (2024-08-29T05:33:59Z) - Heavy Labels Out! Dataset Distillation with Label Space Lightening [69.67681224137561]
HeLlOは、合成画像から直接合成ラベルをオンラインで生成できる効果的な画像-ラベルプロジェクタを目指している。
ソフトラベルの完全なセットに必要な元のストレージの0.003%しか必要とせず、大規模データセット上での現在の最先端データセット蒸留法と同等のパフォーマンスを達成できることを実証した。
論文 参考訳（メタデータ） (2024-08-15T15:08:58Z) - Real-Fake: Effective Training Data Synthesis Through Distribution Matching [16.499008884926337]
教師あり学習のためのトレーニングデータ合成の基礎となる原理を解析する。
画像分類タスクにおける合成データの有効性を実証する。
具体的には、画像Net1Kの70.9%のトップ1分類精度を、元の実データサイズである1 Xに相当する合成データでトレーニングする場合に達成する。
論文 参考訳（メタデータ） (2023-10-16T13:45:26Z) - Differentially Private Diffusion Models Generate Useful Synthetic Images [53.94025967603649]
近年の研究では、いくつかの拡散モデルの出力がトレーニングデータのプライバシを保持していないことが報告されている。
CIFAR-10 と Camelyon17 のSOTA 結果を得た。
以上の結果から,差分プライバシーで微調整された拡散モデルが有用かつ実証可能なプライベートな合成データを生成できることが示唆された。
論文 参考訳（メタデータ） (2023-02-27T15:02:04Z) - You Only Need Adversarial Supervision for Semantic Image Synthesis [84.83711654797342]
我々は,高品質な結果を得るためには敵対的監督のみを必要とする,新しい簡易ganモデルを提案する。
本モデルによって合成された画像はより多様であり,実画像の色やテクスチャに密接に従っている。
論文 参考訳（メタデータ） (2020-12-08T23:00:48Z)
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。