論文の概要: Meta-Learning for Data-Efficient Plant Growth Estimation via Vision Transformers and Fuzzy Clustering

• arxiv url: http://arxiv.org/abs/2609.10749v1
• Date: Wed, 09 Sep 2026 18:46:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 23:53:35.114587
• Title: Meta-Learning for Data-Efficient Plant Growth Estimation via Vision Transformers and Fuzzy Clustering
• Title（参考訳）: 視覚変換器とファジィクラスタリングによるデータ効率の良い植物生育推定のためのメタラーニング
• Abstract要約: 本稿では、Vision Transformerの機能埋め込み、クラスタリングベースのタスク構築、勾配に基づくメタ学習を組み合わせた、数ショットの回帰フレームワークを提案する。 二階法(例えば、MAML++のようなモデルに依存しないメタラーニングの変種)は、数ショット方式では古典的ベースラインを上回っていることを示す。 2つの植物データセットの実験により、構造化されたタスク設計とメタラーニングを組み合わせることで、重度ラベルの不足下での信頼性の高い植物の成長推定が可能になることが示された。
• 参考スコア（独自算出の注目度）: 1.661027318016485
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate plant growth estimation is essential for greenhouse monitoring, yet obtaining labeled data remains costly and time-consuming. To address this, we propose a few-shot regression framework that combines Vision Transformer (ViT) feature embeddings, clustering-based task construction, and gradient-based meta-learning, and show that task construction in embedding space is a primary driver of performance. The approach leverages an unlabeled image pool to organize data into structured tasks using fuzzy c-means clustering, enabling efficient learning from a small number of labeled samples. We systematically evaluate meta-learning methods and show that second-order methods (e.g., Model-Agnostic Meta-Learning variants such as MAML++) outperform classical baselines in the few-shot regime. Furthermore, intra-cluster support selection has a limited and dataset-dependent impact. Experiments on two plant datasets show that structured task design combined with meta-learning enables reliable plant growth estimation under severe label scarcity.
• Abstract（参考訳）: 植物生育の正確な推定は温室効果ガスモニタリングに不可欠であるが、ラベル付きデータを得るにはコストと時間を要する。 これを解決するために,視覚変換器(ViT)機能埋め込み,クラスタリングベースタスク構築,勾配ベースメタラーニングを組み合わせた数発の回帰フレームワークを提案し,組込み空間におけるタスク構築がパフォーマンスの第一の要因であることを示す。 このアプローチでは、ラベルのないイメージプールを活用して、ファジィなc-meansクラスタリングを使用して、構造化されたタスクにデータを整理することで、少数のラベル付きサンプルから効率的な学習を可能にする。 メタラーニング手法を体系的に評価し,モデル非依存メタラーニング法(MAML++などのモデル非依存メタラーニング法)が,少数ショット方式における古典的ベースラインよりも優れていることを示す。 さらに、クラスタ内サポートの選択は、限定的でデータセットに依存した影響がある。 2つの植物データセットの実験により、構造化されたタスク設計とメタラーニングを組み合わせることで、重度ラベルの不足下での信頼性の高い植物の成長推定が可能になることが示された。

関連論文リスト

• LUCAS-MEGA: A Large-Scale Multimodal Dataset for Representation Learning in Soil-Environment Systems [0.0]
  欧州の土壌環境観測の系統的なデータ融合によって構築された大規模データセットであるLUCASMEGAを紹介する。 データセットは70,000以上のサンプルと、物理的、化学的、環境的、生物学的、視覚的属性にまたがる1,000以上の特徴で構成されている。
  論文  参考訳（メタデータ） (2026-05-05T21:57:44Z)
• Multi-Label Plant Species Classification with Self-Supervised Vision Transformers [0.0]
  植物CLEF 2024 コンペティションのための自己教師型ビジョントランスフォーマ (DINOv2) を用いた移動学習手法を提案する。 大規模データセットの計算課題に対処するために、分散データ処理にSparkを使用します。 本研究は,複数ラベル画像分類タスクにおいて,転送学習と高度なデータ処理技術を組み合わせることの有効性を示す。
  論文  参考訳（メタデータ） (2024-07-08T18:07:33Z)
• Interpetable Target-Feature Aggregation for Multi-Task Learning based on Bias-Variance Analysis [53.38518232934096]
  マルチタスク学習(MTL)は、タスク間の共有知識を活用し、一般化とパフォーマンスを改善するために設計された強力な機械学習パラダイムである。 本稿では,タスククラスタリングと特徴変換の交点におけるMTL手法を提案する。 両段階において、鍵となる側面は減った目標と特徴の解釈可能性を維持することである。
  論文  参考訳（メタデータ） (2024-06-12T08:30:16Z)
• Task-Distributionally Robust Data-Free Meta-Learning [99.56612787882334]
  Data-Free Meta-Learning (DFML)は、複数の事前学習モデルを活用することで、独自のトレーニングデータを必要とせずに、新しいタスクを効率的に学習することを目的としている。 TDS(Task-Distribution Shift)とTDC(Task-Distribution Corruption)の2つの大きな課題を初めて明らかにした。
  論文  参考訳（メタデータ） (2023-11-23T15:46:54Z)
• Learning Multiscale Consistency for Self-supervised Electron Microscopy Instance Segmentation [48.267001230607306]
  本稿では,EMボリュームのマルチスケール一貫性を高める事前学習フレームワークを提案する。 当社のアプローチでは,強力なデータ拡張と弱いデータ拡張を統合することで,Siameseネットワークアーキテクチャを活用している。 効果的にボクセルと機能の一貫性をキャプチャし、EM分析のための転送可能な表現を学習する。
  論文  参考訳（メタデータ） (2023-08-19T05:49:13Z)
• SSL-SoilNet: A Hybrid Transformer-based Framework with Self-Supervised Learning for Large-scale Soil Organic Carbon Prediction [2.554658234030785]
  本研究は,自己指導型コントラスト学習を通じて,マルチモーダル特徴間の地理的関連を学習することを目的とした,新しいアプローチを提案する。 提案手法は、2つの異なる大規模データセットに対して厳密なテストを行っている。
  論文  参考訳（メタデータ） (2023-08-07T13:44:44Z)
• GenCo: An Auxiliary Generator from Contrastive Learning for Enhanced Few-Shot Learning in Remote Sensing [9.504503675097137]
  我々は、バックボーンを事前訓練し、同時に特徴サンプルの変種を探索するジェネレータベースのコントラスト学習フレームワーク(GenCo)を導入する。 微調整では、補助ジェネレータを使用して、特徴空間内の限られたラベル付きデータサンプルを濃縮することができる。 本稿では,2つの重要なリモートセンシングデータセットにおいて,この手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-07-27T03:59:19Z)
• Entity-Graph Enhanced Cross-Modal Pretraining for Instance-level Product Retrieval [152.3504607706575]
  本研究の目的は, 細粒度製品カテゴリを対象とした, 弱制御型マルチモーダル・インスタンスレベルの製品検索である。 まず、Product1Mデータセットをコントリビュートし、2つの実際のインスタンスレベルの検索タスクを定義します。 我々は、マルチモーダルデータから重要な概念情報を組み込むことができるより効果的なクロスモーダルモデルを訓練するために活用する。
  論文  参考訳（メタデータ） (2022-06-17T15:40:45Z)
• Revisiting LSTM Networks for Semi-Supervised Text Classification via Mixed Objective Function [106.69643619725652]
  我々は,単純なBiLSTMモデルであっても,クロスエントロピー損失でトレーニングした場合に,競争的な結果が得られるようなトレーニング戦略を開発する。 いくつかのベンチマークデータセット上で,テキスト分類タスクの最先端結果について報告する。
  論文  参考訳（メタデータ） (2020-09-08T21:55:22Z)
• A Trainable Optimal Transport Embedding for Feature Aggregation and its Relationship to Attention [96.77554122595578]
  固定サイズのパラメータ化表現を導入し、与えられた入力セットから、そのセットとトレーニング可能な参照の間の最適な輸送計画に従って要素を埋め込み、集約する。 我々のアプローチは大規模なデータセットにスケールし、参照のエンドツーエンドのトレーニングを可能にすると同時に、計算コストの少ない単純な教師なし学習メカニズムも提供する。
  論文  参考訳（メタデータ） (2020-06-22T08:35:58Z)
• Meta-learning framework with applications to zero-shot time-series forecasting [82.61728230984099]
  この研究は幅広いメタラーニングフレームワークを使って肯定的な証拠を提供する。 残余接続はメタラーニング適応機構として機能する。 我々は、ソースTSデータセット上でニューラルネットワークをトレーニングし、異なるターゲットTSデータセット上で再トレーニングすることなくデプロイできることを示します。
  論文  参考訳（メタデータ） (2020-02-07T16:39:43Z)

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。