論文の概要: Multibranch Ensemble Head in Vision Foundation Models for Efficient Cucumber Phenological Stage Classification
- arxiv url: http://arxiv.org/abs/2610.37118v1
- Date: Tue, 27 Oct 2026 12:20:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-28 21:04:31.583148
- Title: Multibranch Ensemble Head in Vision Foundation Models for Efficient Cucumber Phenological Stage Classification
- Title（参考訳）: 視覚基礎モデルにおけるマルチブランチアンサンブルヘッドを用いた効率的なCucumber現象段階分類
- Abstract要約: ビジョンファウンデーションモデル(VFM)は、DINOv2のような自己教師型学習で事前訓練され、高度に伝達可能な機能を提供する。
本稿では,低容量分岐と高容量分岐をペアリングするトレーニングと推論方式として,マルチブランチアンサンブルヘッドの正規化を提案する。
提案したマルチブランチヘッド付きDINOv2 ViT-S は 0.978 の Macro F1 と 0.971 の Cohen's Kappa を達成する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Vision Foundation Models (VFMs) pretrained with self-supervised learning, such as DINOv2, provide highly transferable features, yet adapting them to small, domain-shifted datasets is still challenging. We propose a regularizing multibranch ensemble head: a training and inference scheme that pairs low- and high-capacity branches, samples a single branch stochastically at each training step, and averages both branches in probability space at inference. The design adds negligible parameters and essentially no inference overhead over a single heavy head, while improving the accuracy-efficiency trade-off under data-scarce conditions. Accurate classification of plant growth stages is critical for precision agriculture, enabling timely decisions on fertilization, irrigation, and harvesting. Therefore, as a challenging practical case we use cucumber phenological stage classification, in which flowers and fruits are frequently occluded by foliage, and stage transitions manifest primarily as subtle changes in leaf morphology. The NALEF Food Safety dataset contains images of five cucumber growth stages captured under diverse real-world conditions. On it we evaluate a broad range of backbones, including DINOv2 and DINOv3 ViT and ConvNeXt variants, against strongly supervised counterparts (ResNet, EfficientNet, ViT). The proposed DINOv2 ViT-S with multibranch head achieves a Macro F1 of 0.978 and Cohen's Kappa of 0.971, matching the performance of models more than ten times larger in parameters and GFlops, while requiring only 12.2 GFlops and 22.3M parameters, making it deployable on smartphones and edge devices for phenological stage classification.
- Abstract（参考訳）: ビジョンファウンデーションモデル(VFM)は、DINOv2のような自己教師型学習で事前訓練され、高度に転送可能な機能を提供するが、小さなドメインシフトデータセットに適応することは依然として難しい。
本稿では,低容量分岐と高容量分岐をペアリングし,各トレーニングステップで一本の枝を確率的にサンプリングし,推論時に両方の枝を確率空間で平均化する,多分岐アンサンブルヘッドの正規化手法を提案する。
この設計では、無視可能なパラメータを追加し、基本的に1つの重みの頭上での推測オーバーヘッドをなくし、データスカース条件下での精度と効率のトレードオフを改善している。
植物の生育段階の正確な分類は、精密農業にとって重要であり、肥料、灌水、収穫に関するタイムリーな決定を可能にする。
そこで本研究では,葉の花や果実がしばしば葉によって隠蔽されるキュウリの表現学的段階分類を用いて,葉形態の微妙な変化が主である。
NALEF Food Safetyデータセットには、現実世界のさまざまな条件下でキャプチャされた5つのキュウリ成長ステージの画像が含まれている。
DINOv2 や DINOv3 ViT や ConvNeXt などのバックボーンを,強く監督されたバックボーン (ResNet,EfficientNet,ViT) に対して評価した。
提案されたマルチブランチヘッド付きDINOv2 ViT-S は 0.978 の Macro F1 と 0.971 の Cohen's Kappa を達成し、パラメータとGFlops の10倍以上のモデルの性能と一致する。
関連論文リスト
- Enhancing Cross-Grade Generalization in Banana Variety Classification via Hybrid CNN-Transformers and Knowledge Self-Distillation [8.261566263516018]
クロスグレードバナナ品種分類の課題に対処する。
これは、特定の品質グレードでトレーニングされたモデルが、重要なドメインシフトを処理するために、目に見えないグレードに一般化されなければならない現実的な設定である。
KL分割に基づく自己蒸留により強化されたデュアルストリームSwin ResNetハイブリッドフレームワークを提案する。
論文 参考訳（メタデータ） (2026-10-21T00:19:09Z) - FLORO: A Multimodal Geospatial Foundation Model for Ecological Remote Sensing Across Sensors and Scales [65.4821703903285]
FLOROは、小さなが高度に多様なリモートセンシングコーパスから転送可能な表現を学習するために設計されたマルチモーダル基礎モデルである。
FLOROは、Sentinel-1、Sentinel-2、SkySAT画像、標高、UAV由来のデータとの不均一な組み合わせによるマスク付きオートエンコーディングを用いて事前訓練される。
我々は、シーン分類、セグメンテーション、回帰タスクにまたがる凍結エンコーダプロトコルを用いて、PANGAEAベンチマーク上でFLOROを評価した。
論文 参考訳（メタデータ） (2026-05-27T08:55:54Z) - FruitEnsemble: MLLM-Guided Arbitration for Heterogeneous ensemble in Fine-Grained Fruit Recognition [18.640796746107494]
ファインソートフルーツ分類は、農業コンピュータービジョンにおいて重要な課題であるが挑戦的な課題である。
静的単一モデルアーキテクチャの一般化限界を克服する2段階動的推論フレームワークFruitEnsembleを提案する。
我々のフレームワークは70.49%の分類精度を達成し、既存の最先端モデルより優れている。
論文 参考訳（メタデータ） (2026-05-20T08:31:14Z) - Dynamic Context Evolution for Scalable Synthetic Data Generation [0.0]
大規模言語モデルは、多くのバッチで独立して繰り返し出力を生成する。
3つのメカニズムからなる動的コンテキスト進化(DCE)を紹介する。
DCEは、メモリ状態と回転多様性戦略を使用して、各バッチの生成プロンプトを再構築する。
論文 参考訳（メタデータ） (2026-04-08T14:38:11Z) - Large Scale Diffusion Distillation via Score-Regularized Continuous-Time Consistency [60.74505433956616]
連続時間一貫性モデル(sCM)は理論的に原理化され、学術規模の拡散を加速するために実証的に強力である。
まず並列性互換なFlashAttention-2 JVPカーネルを開発し、100億以上のパラメータと高次元ビデオタスクを持つモデル上でsCMトレーニングを可能にする。
本稿では, スコア蒸留を長軸正則化器として組み込んだスコア規則化連続時間一貫性モデル(rCM)を提案する。
論文 参考訳（メタデータ） (2025-10-09T16:45:30Z) - TasselNetV4: A vision foundation model for cross-scene, cross-scale, and cross-species plant counting [10.520978148046026]
種別カウントから種間カウントに移行したTasselNetV4について紹介する。
普通の視覚変換器の上に構築され、新しいマルチブランチボックス対応のローカルカウンタが組み込まれている。
以上の結果から,タッセルネットV4はクロスシーン,クロススケール,クロスタイプ植物カウントのためのビジョン基盤モデルであることが示唆された。
論文 参考訳（メタデータ） (2025-09-25T07:48:29Z) - Prior2Former -- Evidential Modeling of Mask Transformers for Assumption-Free Open-World Panoptic Segmentation [74.55677741919035]
顕在学習に根ざしたセグメンテーション・ビジョン・トランスフォーマの最初のアプローチである Prefer2Former (P2F) を提案する。
P2Fは、ピクセル単位のバイナリマスク割り当てにおいて、モデル不確実性を計算するためのベータを組み込むことで、マスクビジョントランスフォーマーアーキテクチャを拡張している。
未知のクラスに対処するほとんどのセグメンテーションモデルとは異なり、P2FはOODデータサンプルへのアクセスや、ヴォイド(ラベルなし)クラスに対する対照的なトレーニングなしで動作する。
論文 参考訳（メタデータ） (2025-04-07T08:53:14Z) - Comparison between transformers and convolutional models for
fine-grained classification of insects [7.107353918348911]
私たちはInsectaの分類学クラスを考えます。
昆虫の識別は多くの生態系の基盤にある住民の1つであるため、生物多様性監視に不可欠である。
何十億もの画像が自動的に分類され、ディープニューラルネットワークアルゴリズムが、きめ細かいタスクのために研究されている主要なテクニックの1つです。
論文 参考訳（メタデータ） (2023-07-20T10:00:04Z) - ViTAEv2: Vision Transformer Advanced by Exploring Inductive Bias for
Image Recognition and Beyond [76.35955924137986]
我々は、内在性IBを畳み込み、すなわちViTAEから探索するビジョントランスフォーマーを提案する。
ViTAEはいくつかの空間ピラミッド縮小モジュールを備えており、入力イメージをリッチなマルチスケールコンテキストでトークンに埋め込む。
我々は、ImageNet検証セット上で88.5%のTop-1分類精度と、ImageNet実検証セット上で最高の91.2%のTop-1分類精度を得る。
論文 参考訳（メタデータ） (2022-02-21T10:40:05Z) - 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) - Diversity inducing Information Bottleneck in Model Ensembles [73.80615604822435]
本稿では,予測の多様性を奨励することで,ニューラルネットワークの効果的なアンサンブルを生成する問題をターゲットにする。
そこで本研究では,潜伏変数の学習における逆損失の多様性を明示的に最適化し,マルチモーダルデータのモデリングに必要な出力予測の多様性を得る。
最も競争力のあるベースラインと比較して、データ分布の変化の下で、分類精度が大幅に向上した。
論文 参考訳（メタデータ） (2020-03-10T03:10:41Z)
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。