論文の概要: Contrastive Bootstrap Representation Learning for Label-Efficient Agricultural Image Classification
- arxiv url: http://arxiv.org/abs/2611.15610v1
- Date: Wed, 11 Nov 2026 15:27:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.183316
- Title: Contrastive Bootstrap Representation Learning for Label-Efficient Agricultural Image Classification
- Title(参考訳): ラベル効率の良い農業画像分類のための対照的なブートストラップ表現学習
- Abstract要約: 我々は,SimsCLRスタイルのNT-Xentコントラスト学習とBYOLスタイルの指数移動平均目標予測を併用して最適化したContrastive Bootstrap Representation Learning (CBRL)を提案する。
DeepWeedsでは、79.77%のテストマクロF1がランダム初期化の32.29ポイント、ラベルのみのベースラインが15.78ポイント、PlantVillageでは98.14%のマクロF1が10.43ポイント、0.43ポイントとなっている。
これらの結果は,評価された関節の定式化をラベルの有望な候補として同定する。
- 参考スコア(独自算出の注目度): 0.5989925928850475
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Expert annotation remains a major bottleneck in agricultural image classification, where collecting images is often easier than obtaining reliable labels from domain specialists. Self-supervised learning can reduce this dependence by pretraining transferable representations on unlabelled imagery. Contrastive and bootstrap methods provide two established but distinct training signals, motivating an empirical study of a formulation that applies both signals within one representation path under severe downstream label scarcity. We present Contrastive Bootstrap Representation Learning (CBRL), which jointly optimises SimCLR-style NT-Xent contrastive learning and bidirectional BYOL-style exponential-moving-average target prediction within a shared online projection space. Using a ViT-L/16 backbone and 10% of the downstream labels, we report single-seed point estimates on four primary agricultural test benchmarks plus an exploratory 33-image New Plant Diseases evaluation. CBRL records the highest macro-F1 point estimate on the four primary benchmarks. On DeepWeeds, its 79.77% test macro-F1 is 32.29 points above the random-initialisation, label-only baseline and 15.78 points above the next-highest comparison point estimate; on PlantVillage, its 98.14% macro-F1 is 10.43 and 0.43 points higher, respectively. On PlantDoc, however, all methods fail to reach practically useful performance. These results identify the evaluated joint formulation as a promising candidate for label-limited transfer, but they do not establish objective synergy, statistical superiority, or robustness across stochastic runs.
- Abstract(参考訳): 専門家アノテーションは、画像の収集が、ドメインの専門家から信頼できるラベルを得るよりも容易な農業画像分類において、依然として大きなボトルネックとなっている。
自己教師付き学習は、非ラベル画像上の転送可能な表現を事前訓練することで、この依存を減らすことができる。
対照的に、ブートストラップ法とブートストラップ法は、2つの確立された訓練信号を提供する。
我々は,SimCLRスタイルのNT-Xentコントラスト学習とBYOLスタイルの指数移動平均目標予測を共用するコントラスト型ブートストラップ表現学習(CBRL)を提案する。
ViT-L/16のバックボーンと下流ラベルの10%を用いて,4つの主要農業試験ベンチマークの単座点推定値と33個の新植物病の探索的評価を報告した。
CBRLは4つのベンチマークで最大マクロF1点推定値を記録している。
DeepWeedsでは、79.77%のテストマクロF1がランダム初期化の32.29ポイント、ラベルのみのベースラインが15.78ポイント、PlantVillageでは98.14%のマクロF1が10.43ポイント、0.43ポイントとなっている。
しかし PlantDoc では,すべてのメソッドが事実上有用なパフォーマンスに到達できない。
これらの結果から, 評価された関節の定式化は, ラベル限定移動の候補として期待できるが, 目的的相乗効果, 統計的優越性, 確率的走行における頑健性は確立されていない。
関連論文リスト
- Learning from Unlabeled Photographs for General Oral Image Analysis [32.73913133206185]
ラベルなしの口腔写真に対する自己監督的訓練は、異種視覚タスクのための伝達可能な視覚表現を作り出すことができる。
パブリックアクセス可能なソースから収集された約53万枚のラベルのない口頭写真のドメイン適応型自己監督事前訓練。
DOVEは、ほとんどのベンチマークにおいて、最強の全体的なパフォーマンスを達成し、数発の転送とラベルの効率で最高にランク付けした。
論文 参考訳(メタデータ) (2026-11-03T11:28:54Z) - FIDAL: Diversity-Aware Federated Active Learning Under Real-World Distribution Shifts [3.1964062750771096]
フェデレートラーニングは、データを集中化せずに機関間で協調的なモデルトレーニングを可能にする。
既存のアクティブラーニング手法は、ID(In-distriion)データ内の不確実性や多様性を目標としている。
FIDALは,グローバルな局地的明らかな不確実性,サポートセットの多様性の重み付け,適応型OOD拒絶を組み合わせた,オープンセットのアクティブラーニングフレームワークである。
論文 参考訳(メタデータ) (2026-09-10T22:35:36Z) - AgriPath: A Systematic Exploration of Architectural Trade-offs for Crop Disease Classification [45.52399819498234]
本研究は、細粒度作物病分類のための3つのモデルパラダイムの体系的比較を示す。
我々は16の作物と41の病気にまたがる111kの画像を含むベンチマークであるAgriPath-LF16を紹介する。
CNNは画像の精度が最も高いが、ドメインシフトによって劣化する。
対照的なVLMは、競合するクロスドメイン性能を持つ堅牢でパラメータ効率の良い代替手段を提供する。
論文 参考訳(メタデータ) (2026-03-08T17:28:01Z) - Project-Probe-Aggregate: Efficient Fine-Tuning for Group Robustness [61.45587642780908]
画像テキスト基礎モデルのパラメータ効率向上のための3段階のアプローチを提案する。
本手法は, マイノリティ標本同定とロバストトレーニングアルゴリズムの2つの重要な要素を改良する。
我々の理論分析は,PPAが少数群の識別を向上し,バランスの取れたグループエラーを最小限に抑えるためにベイズが最適であることを示している。
論文 参考訳(メタデータ) (2025-03-12T15:46:12Z) - Affinity-Graph-Guided Contractive Learning for Pretext-Free Medical Image Segmentation with Minimal Annotation [55.325956390997]
本稿では,医用画像セグメンテーションのための親和性グラフ誘導半教師付きコントラスト学習フレームワーク(Semi-AGCL)を提案する。
このフレームワークは、まず、ロバストな初期特徴空間を提供する平均パッチエントロピー駆動のパッチ間サンプリング法を設計する。
完全アノテーションセットの10%に過ぎず, 完全注釈付きベースラインの精度にアプローチし, 限界偏差は2.52%に過ぎなかった。
論文 参考訳(メタデータ) (2024-10-14T10:44:47Z) - VLM-CPL: Consensus Pseudo Labels from Vision-Language Models for Annotation-Free Pathological Image Classification [16.05109192966549]
事前学習型視覚言語モデル(VLM)を利用した新しいヒトアノテーションフリー手法を提案する。
VLM-CPLは、2つのノイズラベルフィルタリング技術と半教師付き学習戦略を含む新しい手法である。
パッチレベルおよびスライドレベル分類のための5つの公開病理画像データセットの実験結果から,本手法はVLMによるゼロショット分類を著しく上回った。
論文 参考訳(メタデータ) (2024-03-23T13:24:30Z) - Incorporating Semi-Supervised and Positive-Unlabeled Learning for
Boosting Full Reference Image Quality Assessment [73.61888777504377]
フル参照(FR)画像品質評価(IQA)は、その知覚的差異をプリズム品質基準で測定することにより、歪み画像の視覚的品質を評価する。
ラベルなしデータは、画像劣化または復元プロセスから容易に収集することができ、ラベルなしのトレーニングデータを利用してFR-IQA性能を高めることを奨励する。
本稿では, 半教師付き, 正の未ラベル学習(PU)を用いて, ラベルなしデータを活用し, オフレーヤの悪影響を軽減することを提案する。
論文 参考訳(メタデータ) (2022-04-19T09:10:06Z) - MatchGAN: A Self-Supervised Semi-Supervised Conditional Generative
Adversarial Network [51.84251358009803]
本稿では,条件付き生成逆数ネットワーク(GAN)に対する,半教師付き環境下での自己教師型学習手法を提案する。
利用可能な数少ないラベル付きサンプルのラベル空間から無作為なラベルをサンプリングして拡張を行う。
本手法は,ベースラインのトレーニングに使用したラベル付きサンプルの20%に過ぎません。
論文 参考訳(メタデータ) (2020-06-11T17:14:55Z)
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。