論文の概要: RootDown: Deploying and Benchmarking Models for Beet-Root Detection on Edge Devices
- arxiv url: http://arxiv.org/abs/2610.32275v1
- Date: Fri, 23 Oct 2026 07:33:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 01:38:06.42125
- Title: RootDown: Deploying and Benchmarking Models for Beet-Root Detection on Edge Devices
- Title（参考訳）: RootDown: エッジデバイス上でのビートルート検出のためのデプロイとベンチマークモデル
- Abstract要約: 本稿では,ローディングシナリオにおける部分閉塞型糖蜜検出のためのエンドツーエンド画像ベースパイプラインを提案する。
ハイロ加速器を備えたRaspberry Pi 5は、高性能で低消費電力の推論を可能にする。
- 参考スコア（独自算出の注目度）: 3.4998703934432682
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Quality inspection of sugar beets after harvest and storage is critical to preserve sugar content and ensure optimal processing efficiency. The transfer of harvested beets to field clamps or trucks provides an opportunity to visually inspect individual beets automatically on loader conveyors. However, this is a challenging task as the large number of beets causes partial overlap and occlusion, complicating both annotation and detection. In this work, we propose an end-to-end image-based pipeline for detecting partially occluded sugar beets in loading scenarios as a first step toward automated quality inspection. We introduce a dedicated benchmark and present an automatic annotation strategy that leverages the SAM 3 foundation model to generate bounding boxes. We compare models trained on manually annotated and automatically generated labels. Additionally, we investigate deployment considerations by benchmarking multiple inference configurations, including execution on an edge device, under realistic operational constraints regarding precision, inference time and power consumption. Our results show that, despite substantial occlusion and inherent annotation ambiguity, foundation-model-based labels can substitute for a substantial share of manual annotation, trading labeling effort for data volume at a modest accuracy cost. Furthermore, we demonstrate that a Raspberry Pi 5 equipped with a Hailo accelerator enables high-performance, low-power inference, making it a practical solution for mobile outdoor deployment.
- Abstract（参考訳）: 収穫・貯蔵後のサトウキビの品質検査は、サトウキビの含有量を維持し、最適な処理効率を確保するために重要である。
収穫したビートのフィールドクランプやトラックへの移動は、ローダコンベア上で個々のビートを自動的に視覚的に検査する機会を提供する。
しかし、大量のビートが部分的な重複と閉塞を引き起こし、アノテーションと検出の両方が複雑になるため、これは難しいタスクである。
本研究では,自動品質検査に向けた第一歩として,ローディングシナリオにおける部分閉塞砂糖ベット検出のためのエンドツーエンド画像ベースパイプラインを提案する。
専用ベンチマークを導入し,SAM 3ファンデーションモデルを利用してバウンディングボックスを生成する自動アノテーション戦略を提案する。
手動で注釈付きラベルと自動生成ラベルでトレーニングされたモデルを比較する。
さらに,エッジデバイス上での実行を含む複数の推論設定を,精度,推定時間,消費電力に関する現実的な運用上の制約の下でベンチマークすることで,デプロイメントの考察を行う。
以上の結果から, 基本モデルに基づくラベルは, 実質的排他的かつ固有のアノテーションの曖昧さにもかかわらず, 微妙な精度でデータボリュームのトレーディング作業に代えて, 大量の手動アノテーションを代替できることが示唆された。
さらに,Hayloアクセラレータを搭載したRaspberry Pi 5では,高性能で低消費電力な推論が可能であり,モバイル屋外展開の実用的なソリューションであることが実証された。
関連論文リスト
- Non-Parametric Machine Text Detection via Multi-View Gaussian Processes [7.608133101747672]
文書は複数の補完的な信号を持ち、それを抑える攻撃は他人をそのままにしておく。
同じ文書から補完的な特徴ビューを抽出する多視点非パラメトリック検出フレームワークを提案する。
見解にまたがって証拠を集約することにより、敵は同時に複数の独立した検出軸を倒さなければならない。
論文 参考訳（メタデータ） (2026-06-12T03:11:25Z) - SAM2-ELNet: Label Enhancement and Automatic Annotation for Remote Sensing Segmentation [2.5292915978887387]
SAM2-ELNetと呼ばれる新しいラベル拡張および自動アノテーションフレームワークを導入する。
具体的には、予め訓練されたSAM2の凍結したHieraバックボーンをエンコーダとして使用し、アダプタとデコーダを微調整する。
本研究では,資源制限されたリモートセンシングタスクを対象とした一連の実験を設計し,その手法を2つのデータセット上で評価する。
論文 参考訳（メタデータ） (2025-03-16T08:11:11Z) - No Need to Sacrifice Data Quality for Quantity: Crowd-Informed Machine Annotation for Cost-Effective Understanding of Visual Data [2.8769762836804538]
結果の信頼性を犠牲にすることなく、大規模に視覚データの品質チェックを可能にするフレームワークを提案する。
これは、群衆の反応を予測するために訓練された畳み込みニューラルネットワークを用いて、高度に自動化することができる。
当社のアプローチを実世界の2つの挑戦的なオートマチックデータセットで実証し、我々のモデルがタスクのかなりの部分を完全に自動化できることを示します。
論文 参考訳（メタデータ） (2024-08-19T14:45:50Z) - One-bit Supervision for Image Classification: Problem, Solution, and
Beyond [114.95815360508395]
本稿では,ラベルの少ない新しい学習環境である,画像分類のための1ビット監督について述べる。
多段階学習パラダイムを提案し、負ラベル抑圧を半教師付き半教師付き学習アルゴリズムに組み込む。
複数のベンチマークにおいて、提案手法の学習効率は、フルビットの半教師付き監視手法よりも優れている。
論文 参考訳（メタデータ） (2023-11-26T07:39:00Z) - SLPT: Selective Labeling Meets Prompt Tuning on Label-Limited Lesion
Segmentation [57.37875162629063]
本稿では,限定ラベルの性能向上のために,選択的ラベリングと即時チューニングを組み合わせたフレームワークを提案する。
肝腫瘍の分節化について検討し, 従来の微調整を6%程度で達成した。
論文 参考訳（メタデータ） (2023-08-09T12:22:49Z) - WSSOD: A New Pipeline for Weakly- and Semi-Supervised Object Detection [75.80075054706079]
弱機能および半教師付きオブジェクト検出フレームワーク(WSSOD)を提案する。
エージェント検出器は、まず関節データセット上でトレーニングされ、弱注釈画像上で擬似境界ボックスを予測するために使用される。
提案フレームワークはPASCAL-VOC と MSCOCO のベンチマークで顕著な性能を示し,完全教師付き環境で得られたものと同等の性能を達成している。
論文 参考訳（メタデータ） (2021-05-21T11:58:50Z) - Automatic Generation of Contrast Sets from Scene Graphs: Probing the
Compositional Consistency of GQA [16.95631509102115]
教師付きモデルは、しばしばデータアーティファクトを利用して良好なテストスコアを達成し、そのパフォーマンスはトレーニング分布外のサンプルで著しく低下します。
本稿では,リッチなセマンティック入力表現を利用して,視覚的質問応答タスクのコントラストセットを自動的に生成する新しい手法を提案する。
GQAの組成とラベルのバランスの取れた分布にもかかわらず、2つのハイパフォーマンスモデルが元のテストセットと比較して13-17%の精度で低下することがわかった。
論文 参考訳（メタデータ） (2021-03-17T12:19:25Z) - Robustness of Accuracy Metric and its Inspirations in Learning with
Noisy Labels [51.66448070984615]
十分な数の雑音サンプルに対してトレーニング精度を最大化すると,ほぼ最適な分類器が得られることを示す。
検証のために、ノイズの多い検証セットが信頼できることを証明し、モデル選択のクリティカルな要求に対処する。
理論結果に動機づけられて,ノイズラベルをトレーニングしたモデルの特徴付けを行い,ノイズ検証セットの有用性を検証する。
論文 参考訳（メタデータ） (2020-12-08T03:37:47Z) - Deep Semi-supervised Knowledge Distillation for Overlapping Cervical
Cell Instance Segmentation [54.49894381464853]
本稿では, ラベル付きデータとラベルなしデータの両方を, 知識蒸留による精度向上に活用することを提案する。
摂動に敏感なサンプルマイニングを用いたマスク誘導型平均教師フレームワークを提案する。
実験の結果,ラベル付きデータのみから学習した教師付き手法と比較して,提案手法は性能を著しく向上することがわかった。
論文 参考訳（メタデータ） (2020-07-21T13:27:09Z) - EHSOD: CAM-Guided End-to-end Hybrid-Supervised Object Detection with
Cascade Refinement [53.69674636044927]
本稿では,エンド・ツー・エンドのハイブリッド型オブジェクト検出システムであるEHSODについて述べる。
完全なアノテートと弱いアノテートの両方で、ワンショットでトレーニングすることができる。
完全なアノテートされたデータの30%しか持たない複数のオブジェクト検出ベンチマークで、同等の結果が得られる。
論文 参考訳（メタデータ） (2020-02-18T08:04:58Z)
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。