文献

J-GLOBAL ID：201902251086050100   整理番号：19A2209689

雑草識別における教師なし深層学習と半自動データラベリング【JST・京大機械翻訳】

Unsupervised deep learning and semi-automatic data labeling in weed discrimination

著者 (5件)： dos Santos Ferreira Alessandro (Federal University of Mato Grosso do Sul, Brazil) ,  Freitas Daniel Matte (Federal University of Mato Grosso do Sul, Brazil) ,  da Silva Gercina Goncalves (Federal University of Mato Grosso do Sul, Brazil) ,  Pistori Hemerson (Dom Bosco Catholic University, Brazil) ,  Folhes Marcelo Theophilo (IbiGeo Geociencia Aplicada, Brazil)
資料名： Computers and Electronics in Agriculture  (Computers and Electronics in Agriculture)
巻： 165  ページ： Null  発行年： 2019年 
JST資料番号： T0337A  ISSN： 0168-1699  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 近年,監視された深いニューラルネットワークは画像認識における最先端技術を達成し,この成功は多くの領域に広がっている。農業分野において,いくつかの研究が,従来のニューラルネットワークのようなアーキテクチャを用いて行われてきた。この成功にもかかわらず,これらの研究は依然として非常に時間のかかる手動データラベリングに非常に依存している。このシナリオとは対照的に,教師なし学習はデータラベリングに依存性を持たず,領域の将来として目標とされるが,有望な開始が監視されたネットワークの成功により混乱されている。一方で,これらの画像が人間の専門家の必要なしに注釈付けられるならば,未命名の航空機を用いた圃場作物画像の取得の低コストは,実世界の応用において大きく押し上げられる。本研究では,2つの公開雑草データセットを用いて,2つの最近の教師なしの深いクラスタリングアルゴリズム,Deep表現のJoint教師なし学習,および視覚特徴(DeepCluster)の教師なし学習のための画像クラスタ(jule)とDeepクラスタリングをテストした。最初のデータセットはブラジルのダイズ農園で捕獲され,草と広葉樹の間の雑草を識別した。第2のデータセットは,オーストラリア固有の8つの全国的に有意な雑草種の17509の標識画像から成る。著者らは,NMIと教師なしクラスタ化行動計量を用いて純粋に教師なしのクラスタリング性能を評価し,一般的に教師なしの深いクラスタリングに有用な広い議論におけるクラスタリング品質を改善するために,データ増強と転送学習のような技術の効果を分析した。また,手動データラベリングのコストを大幅に低減し,異なるデータセットに容易に複製できる半自動データラベリングの利用を提案した。この手法は,不正確なクラスタを用いてラベル付けされた画像なしに,訓練画像のカスタムセットを用いて,100倍の手動アノテーションの数を削減しながら,草と広葉樹の識別において97%の精度を達成した。Copyright 2019 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 計算機アーキテクチャ ,  画像 ,  教師なし学習 ,  品質 ,  航空機 ,  広葉樹 ,  アノテーション ,  ニューラルネットワーク ,  *雑草 ,  クラスタ ,  クラスタ化 ,  ブラジル連邦共和国 ,  農場 ,  *学習 ,  ネットワーク

著者キーワード (4件)： 深層学習 ,  教師なしクラスタリング ,  雑草識別 ,  半自動ラベリング

分類 (2件)： 図形・画像処理一般  (JE04010I) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (5件)： 雑草 ,  識別 ,  教師 ,  深層学習 ,  ラベリング