文献

J-GLOBAL ID：202202210223542696   整理番号：22A0749421

植物計数のための背景を意識したドメイン適応【JST・京大機械翻訳】

Background-Aware Domain Adaptation for Plant Counting

著者 (4件)： Shi Min (Key Laboratory of Image Processing and Intelligent Control, Ministry of Education, School of Artificial Intelligence and Automation, Huazhong University of Science and Technology, Wuhan, China) ,  Li Xing-Yi (Key Laboratory of Image Processing and Intelligent Control, Ministry of Education, School of Artificial Intelligence and Automation, Huazhong University of Science and Technology, Wuhan, China) ,  Lu Hao (Key Laboratory of Image Processing and Intelligent Control, Ministry of Education, School of Artificial Intelligence and Automation, Huazhong University of Science and Technology, Wuhan, China) ,  Cao Zhi-Guo (Key Laboratory of Image Processing and Intelligent Control, Ministry of Education, School of Artificial Intelligence and Automation, Huazhong University of Science and Technology, Wuhan, China)
資料名： Frontiers in Plant Science (Web)  (Frontiers in Plant Science (Web))
巻： 13  ページ： 731816  発行年： 2022年 
JST資料番号： U7094A  ISSN： 1664-462X  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： 深層学習ベースオブジェクト計数モデルは,最近,植物計数のための好ましい選択と考えられてきた。しかし,これらのデータ駆動法の性能は,訓練と試験データの間に矛盾が存在するとき,おそらく劣化するであろう。このような矛盾はドメインギャップとしても知られている。性能低下を緩和する一つの方法は,試験環境からサンプリングしたラベルなしデータを使用し,モデル挙動を修正することである。この問題設定は教師なしドメイン適応(UDA)とも呼ばれる。UDAは機械学習社会における長年の話題であるが,UDA法は植物計数に対してあまり研究されていない。本論文では,まず,特徴レベルおよび画像レベル法を含むプラント計数タスクに関するいくつかの頻繁に使用されるUDA法を評価した。これらの方法の故障パターンを分析することによって,著者らは,欠点に対処するために,新規バックグラウンド意識領域適応(BADA)モジュールを提案した。BADAは,特に背景領域に関して,クロスドメインプラント計数性能を改善するために,オブジェクト計数モデルに容易に適合できることを示した。計数する学習から利益を得ると,バックグラウンド計数誤差が減少する。また,BADAは,ドメインギャップに対する計数モデルのロバスト性をさらに強化するために,敵対訓練戦略で動作できることを示した。異なるカメラビュー,品種,位置,および画像取得装置を含む7つの異なるドメイン適応設定の方法を評価した。結果は,著者らの方法が7つの設定のうち6つで最も低い平均絶対誤差を達成することを示した。また,BADAの有用性は,制御されたアブレーション研究と可視化によって支持された。Copyright 2022 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 故障 ,  データ ,  プラント ,  *適応 ,  *範囲 ,  可視化 ,  画像 ,  モデル ,  品種 ,  アブレーション ,  ロバスト性 ,  機械学習
準シソーラス用語： 画像入力 ,  試験データ ,  データ駆動 ,  深層学習 , 【Automatic Indexing@JST】

著者キーワード (6件)： 植物計数 ,  トウモロコシの話 ,  イネ植物 ,  ドメイン適応 ,  敵対的訓練 ,  局所計数モデル

分類 (2件)： 人工知能  (JE08000Z) ,  パターン認識  (JE07000S)

引用文献 (36件)：

• Arteta C., Lempitsky V., Zisserman A. (2016). "Counting in the wild," in Proceedings of European Conference on Computer Vision (ECCV) (Amsterdam), 483-498.
• Ayalew T. W., Ubbens J. R., Stavness I. (2020). "Unsupervised domain adaptation for plant organ counting," in Proceedings of European Conference on Computer Vision (ECCV), 330-346.
• Bargoti S., Underwood J. (2017). "Deep fruit detection in orchards," in 2017 IEEE International Conference on Robotics and Automation (ICRA) (Singapore: IEEE), 3626-3633.
• Ben-David S., Blitzer J., Crammer K., Kulesza A., Pereira F., Vaughan J. W. (2010). A theory of learning from different domains. Mach. Learn. 79, 151-175. doi: 10.1007/s10994-009-5152-4
• David E., Madec S., Sadeghi-Tehran P., Aasen H., Zheng B., Liu S., et al. (2020). Global wheat head detection (gwhd) dataset: a large and diverse dataset of high resolution rgb labelled images to develop and benchmark wheat head detection methods. Plant Phenomics 2020:3521852. doi: 10.34133/2020/3521852

タイトルに関連する用語 (3件)： 背景 ,  意識 ,  ドメイン適応