条件付きGANデータ増強による果実品質と欠陥画像分類【JST・京大機械翻訳】

Bird Jordan J.; Barnes Chloe M.; Manso Luis J.; Ekart Aniko; Faria Diego R.

文献

J-GLOBAL ID：202202243897538794 整理番号：22A0153677

条件付きGANデータ増強による果実品質と欠陥画像分類【JST・京大機械翻訳】

Fruit quality and defect image classification with conditional GAN data augmentation

出版者サイト複写サービスで全文入手 {{ this.onShowCLink("http://jdream3.com/copy/?sid=JGLOBAL&noSystem=1&documentNoArray=22A0153677&COPY=1") }}
高度な検索・分析はJDreamⅢで {{ this.onShowJLink("http://jdream3.com/lp/jglobal/index.html?docNo=22A0153677&from=J-GLOBAL&jstjournalNo=W1940A") }}

著者 (5件)： , , , ,
資料名：
巻： 293 ページ： Null 発行年： 2022年
JST資料番号： W1940A ISSN： 0304-4238 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)

現代の人工知能技術は,不良から良好な作物を識別するためのコンピュータビジョンの採用を可能にし,かびや損傷のような望ましくない果実から健康果実を選択するパイプラインの段階を提供する。現場における最先端の研究は,実世界使用に関する母集団の代表ではない小さなデータセット(<1000画像)に関する高精度結果を報告している。本研究の目的は,モデル剪定による過剰適合とエネルギー利用の低減と同様に,データ増強による一般化を改善することにより,実世界利用をさらに可能にすることである。本研究では,果実品質画像分類の改善に向けて,微調整,転送学習,および生成モデルベース訓練データ増強のアイデアを組み合わせた機械学習パイプラインを提案した。線形ネットワークトポロジー検索を行い,2690画像の公的に利用可能なデータセットを用いてVGG16レモン品質分類モデルを調整した。畳み込み層に4096のニューロン完全接続層を付加すると,画像分類精度が83.77%になることを見出した。次に,2000年代の訓練データに関する条件付き生成的敵対ネットワークを訓練し,比較的現実的な画像を生成するように学習する。実際の写真で訓練されたモデルのGrad-CAM解析は,合成画像が形状,鋳型,および壊そのような分類可能な特徴を示すことができることを示した。次に,88.75%の高い画像分類精度を,合成画像による訓練の強化によって達成し,条件的Generative Adversarialネットワークが,データ不足の問題を軽減するために,新しいデータを生成する能力を持っていると主張した。最後に,モデル剪定は多項式減衰によって実行され,ここでは,条件付きGAN増強分類ネットワークが,元のサイズの50%に圧縮されるとき,81.16%分類精度を維持できることを見出した。Copyright 2022 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

, , , , , , , , , ,
, , , , 【Automatic Indexing@JST】

著者キーワード (6件)： , , , , ,

果樹

, , , ,

前のページに戻る