論文の概要: Shortcut Learning in a Public Grape Disease Dataset: Annotation Granularity as a Modulator, Not a Cause

• arxiv url: http://arxiv.org/abs/2608.20663v1
• Date: Fri, 21 Aug 2026 01:39:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-24 14:49:32.337882
• Title: Shortcut Learning in a Public Grape Disease Dataset: Annotation Granularity as a Modulator, Not a Cause
• Title（参考訳）: 公共グレープ病データセットにおけるショートカット学習:モジュレータとしての注釈の粒度は原因ではない
• Abstract要約: テストセットmAP50の範囲はシード・ツー・シードノイズに匹敵する。 1つのクラスは全リーフレベルで注釈付けされる。 ブドウを含まない5156のクロス種画像では、偽陽性のボックスの65.7%が1つのクラスに該当する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Public datasets for agricultural disease detection are usually judged fit for use from reported metrics, which say nothing about whether the annotation scheme is internally consistent. On one public grape disease dataset (3288 images, 11995 boxes, 6 classes), varying model capacity, input resolution and detection paradigm yields a test-set mAP50 range comparable to seed-to-seed noise, with the bottleneck at small objects across all five architectures. The finding lies on the data side: one class is annotated at whole-leaf level (median box area 43.16% of the image) while the other five are annotated at lesion level. On 5156 cross-species images containing no grape, 65.7% of the false-positive boxes fall into that one class, an over-representation of 13.41x relative to its share of the training annotations. Counterfactual retraining establishes a causal effect of granularity on the magnitude of the shortcut: shrinking only that class's boxes cuts its cross-species false positives by 66%, and a placebo control confirms the effect is specific to the manipulated class. A manipulation in the opposite direction, with criteria registered in advance, returns a negative result: coarsening the finest class to whole-leaf level (0.57% to 40.37%), matched in box count and share of annotations and with higher in-distribution AP, still leaves its cross-species false positives at zero boxes, while the unmanipulated original class holds 50.0% of them. Annotation granularity is therefore a modulator of this shortcut, not its cause: it can amplify or attenuate a sink that already exists, but cannot create one, and what fixes the destination remains open. We also give a granularity screening statistic requiring neither images nor training, and show airborne lesion-level detection to be optically out of reach. The failure mode is invisible to in-distribution evaluation.
• Abstract（参考訳）: 農業病の検出のための公共データセットは、通常、報告された指標からの使用に適していると判断される。 1つの公立グレープ病データセット(3288画像、11995ボックス、6クラス)では、モデル容量、入力解像度、および検出パラダイムが、シード・ツー・シードノイズに匹敵するテストセットのmAP50の範囲となり、5つのアーキテクチャの全ての小さなオブジェクトでボトルネックが発生する。 1つのクラスは全葉レベルでアノテートされ(画像の中央ボックス面積43.16%)、残りの5クラスは病変レベルでアノテートされる。 ブドウを含まない5156のクロス種画像では、偽陽性のボックスの65.7%が、トレーニングアノテーションのシェアに対して13.41倍の過剰表現である1つのクラスに該当する。 クラスボックスのみを縮小することで、クラス間の偽陽性が66%減少し、プラセボ制御により、操作されたクラスに特異的な効果が確認される。 最高のクラスを全体のリーフレベル(0.57%から40.37%)に粗くし、ボックス数とアノテーションの共有に一致し、より高い分布のAPと一致し、いまだにクロス種の偽陽性をゼロボックスに残し、未管理のオリジナルクラスは50.0%を保持している。 注釈の粒度は、このショートカットの変調子であり、原因ではない: 既に存在するが生成できないシンクを増幅または減衰することができる。 また,画像もトレーニングも不要な粒度検診データも提供し,光学的に到達できないよう,空中病変レベルの検出を提示する。 故障モードは分布内評価には見えない。

関連論文リスト

• Decision Shifts, Lost Label Functionality, and an Inconclusive Grounding Audit in Correctness-Gated Multi-Teacher Distillation [0.0]
  決定の正しさと根拠は異なる目的である。 固定実験において, 高精度多教師蒸留法について検討した。 未ろ過蒸留と比較して, 正度重み付きアームの精度は+0.1660。
  論文  参考訳（メタデータ） (2026-09-09T04:39:56Z)
• A Fuzzy Rule-based Neuro-Symbolic Approach for Pipe Severity Prediction in Sewer Networks [0.0]
  本研究では、このギャップを象徴的推論から神経知覚を分離することで橋渡しするモジュラーでファジィな規則に基づくニューロシンボリック・フレームワークを導入する。 推論のために、DT、特にウェカのJ48アルゴリズムは、接地規則のCODEと重度ラベルに基づいて訓練され、その経路は19の固定IF-THENルールに変換される。 全体として、このフレームワークは、競合するクラスバランスのパフォーマンスと予測されたCODE学位からのトレース可能な推論を組み合わせることで、ルールサポートと重大さのエビデンスを実現している。
  論文  参考訳（メタデータ） (2026-07-30T16:33:26Z)
• A Quiet Failure in Calibrated Virtual Screening: Marginal Conformal Prediction Under-Covers the Minority Class, and a Class-Conditional Fix Recovers It [0.0]
  整形予測は、モデルの信頼性に正直な数字を付けるために、薬物発見に採用されている。 この保証は、不均衡なデータセットでは危険である可能性がある。 我々の貢献は、この既知の共形理論のギャップがいかに深刻で不可視であるかを実際の化学で実証することである。
  論文  参考訳（メタデータ） (2026-07-07T04:31:56Z)
• DriftScope: Measuring The Hidden Effects of Diffusion Model Adaptation [50.584834483403675]
  新しい視覚概念を学習するか、望ましくないものを消去するか、事前学習したテキスト・画像拡散モデルに適応させることは、意図した効果だけで日常的に評価される。 適応が意味論的に無関係な概念を、構造的にメトリクスを集約することができない方法で体系的に損なうことを実証する。 DriftScopeは、任意の2つのモデルチェックポイントを取り込み、視覚的概念が最も移行したトークンのランクリストを返す、プロンプトレベルの診断ツールである。
  論文  参考訳（メタデータ） (2026-06-30T20:57:51Z)
• DExNet: Combining Observations of Domain Adapted Critics for Leaf Disease Classification with Limited Data [3.156688657641748]
  本研究では,植物病の分類のためのドメイン適応エキスパートネットワーク(DExNet)を提案する。 まず、最先端のCNNベースのアーキテクチャである9つの'批評家'から、機能の埋め込みを'オブザーブレーション'として抽出する。 提案したパイプラインは、PlantVillageデータセットから10種類のトマト葉のイメージに基づいて評価される。
  論文  参考訳（メタデータ） (2025-06-22T21:15:54Z)
• Exploring Vacant Classes in Label-Skewed Federated Learning [113.65301899666645]
  本稿では,ラベルスキュード・フェデレーション学習の新しいアプローチであるFedVLSを紹介する。 空のクラス蒸留とロジット抑制を同時に統合する。 FedVLSの有効性を検証する実験は、従来のSOTA(State-of-the-art)法と比較して優れた性能を示す。
  論文  参考訳（メタデータ） (2024-01-04T16:06:31Z)
• Shrinking Class Space for Enhanced Certainty in Semi-Supervised Learning [59.44422468242455]
  そこで我々はShrinkMatchと呼ばれる新しい手法を提案し、不確実なサンプルを学習する。 それぞれの不確実なサンプルに対して、元の Top-1 クラスを単に含むスランク類空間を適応的に求める。 次に、スランク空間における強と弱に強化された2つのサンプル間の整合正則化を課し、識別的表現を試みます。
  論文  参考訳（メタデータ） (2023-08-13T14:05:24Z)
• Calibrated Teacher for Sparsely Annotated Object Detection [35.74904852812749]
  完全な教師付きオブジェクト検出には、すべてのインスタンスに注釈を付けるトレーニングイメージが必要である。 これは、高い労力と時間コストと避けられないアノテーションのため、実際には現実的ではありません。 近年,アノテーションの欠落に対して擬似ラベルを生成することで,オブジェクト検出の容易化が図られている。 本稿では,予測の信頼度を実際の精度に合わせるために,校正教師を提案する。
  論文  参考訳（メタデータ） (2023-03-14T02:02:39Z)
• 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)
• PCA: Semi-supervised Segmentation with Patch Confidence Adversarial Training [52.895952593202054]
  医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。 PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。 本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
  論文  参考訳（メタデータ） (2022-07-24T07:45:47Z)
• Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Detection [85.53263670166304]
  一段検出器は基本的に、物体検出を密度の高い分類と位置化として定式化する。 1段検出器の最近の傾向は、局所化の質を推定するために個別の予測分岐を導入することである。 本稿では, 上記の3つの基本要素, 品質推定, 分類, ローカライゼーションについて述べる。
  論文  参考訳（メタデータ） (2020-06-08T07:24:33Z)

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。