Virtual Temporal Samples for Recurrent Neural Networks: applied to semantic segmentation in agriculture
원문 초록
This paper explores the potential for performing temporal semantic segmentation in the context of agricultural robotics without temporally labelled data. We achieve this by proposing to generate virtual temporal samples from labelled still images. By exploiting the relatively static scene and assuming that the robot (camera) moves we are able to generate virtually labelled temporal sequences with no extra annotation effort. Normally, to train a recurrent neural network (RNN), labelled samples from a video (temporal) sequence are required which is laborious and has stymied work in this direction. By generating virtual temporal samples, we demonstrate that it is possible to train a lightweight RNN to perform semantic segmentation on two challenging agricultural datasets. Our results show that by training a temporal semantic segmenter using virtual samples we can increase the performance by an absolute amount of $4.6$ and $4.9$ on sweet pepper and sugar beet datasets, respectively. This indicates that our virtual data augmentation technique is able to accurately classify agricultural images temporally without the use of complicated synthetic data generation techniques nor with the overhead of labelling large amounts of temporal sequences.
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
데이터 희소 환경에서 롱테일 출혈성 병변 분할을 위한 합성 학습
Synthetic training for long-tail haemorrhagic lesion segmentation in data-scarce settings
뇌 미세출혈(CMB)과 피질 표재성 철침착증(cSS)은 뇌 소혈관 질환의 영상 바이오마커이지만, 양성 사례 및 복셀 수준 주석의 부족으로 인해 자동화된 분할(segmentation)에 한계가 있습니다. 본 연구에서는 실제 병변 주석 없이도 학습이 가능하며 병변에 대한 방사선학적 기술(description)을 활용하는 롱테일(long-tail) 출혈성 병변 분할용 합성 학습(synthetic training) 프레임워크를 제안합니다. 해부학적 뇌 구획화(brain parcellation)에서 시작하여, 본 프레임워크는 공간적 증강과 복셀 재샘플링을 적용하고, 병변의 위치 및 형태에 대한 임상적 사전 지식을 활용해 절차적으로 cSS 및 CMB 레이블을 삽입하며, 무작위 강도 할당, 블러링, 라이시안(Rician) 노이즈 시뮬레이션을 통해 영상을 합성합니다. 모델은 동적으로 생성된 영상-레이블 쌍으로 학습되었으며, 10건의 cSS 사례와 13건의 CMB 사례에서 수동 윤곽 묘사를 기준으로 평가되었습니다. 제안된 구성은 고전적 필터 기준선(baseline)보다 우수한 성능을 보였습니다. cSS의 경우, 저신호강도 제약 모델이 Frangi 필터보다 더 높은 AUPRC 및 AUROC를 달성했습니다(AUPRC: 0.284 대 0.083, AUROC: 0.907 대 0.731). CMB의 경우, 병변 유사체로서 혈관을 명시적으로 합성함으로써 고전적 기준선 대비 성능이 향상되었습니다(AUPRC: 0.538 대 0.004, AUROC: 0.999 대 0.968). 이러한 결과는 본 제안이 데이터가 희소한 환경에서의 출혈성 병변 분할을 위한 실현 가능한 전략임을 뒷받침합니다.
MASNet: A Robust Deep Marine Animal Segmentation Network
Cross-Domain Few-Shot Semantic Segmentation
EPYNET: Efficient Pyramidal Network for Clothing Segmentation
시뮬레이션을 통한 합성: 확장 가능한 에이전트-시스템 상호작용을 통한 일관된 엔터프라이즈 데이터 생성
Synthesis Through Simulation: Generating Coherent Enterprise Data via Scalable Agent-System Interaction
도구 호출 에이전트(tool-calling agent)는 엔터프라이즈 AI의 핵심이 되었으나, 엔터프라이즈 시스템, 데이터, 데이터베이스 스키마에 대한 비즈니스 및 법적 제약으로 인해 이들을 대규모로 학습(training)하고 평가(evaluation)하는 일은 여전히 극도로 제한되어 있습니다. 정형 데이터 합성은 자연스러운 대안을 제공하지만 그 유효성은 구조적 타당성과 스키마 가용성으로 인해 근본적으로 한계가 있으며, 절차 기반 접근 방식은 도메인별 저작 없이는 전형적으로 분포 충실도(distributional fidelity)가 결여되는 정반대의 약점을 보입니다. 본 논문에서는 시뮬레이션된 엔터프라이즈 환경(environment) 내에서 정책을 강제하는 API에 대해 작업을 실행함으로써 대규모 언어 모델(LLM) 에이전트가 데이터를 생성하는 스키마 없는(schema-free) 데이터 합성 패러다임인 **시뮬레이션을 통한 합성**(Synthesis Through Simulation, STS)을 소개합니다. 유효성을 정의하는 동일한 환경을 통해 데이터가 생성되므로, STS는 구조적 타당성을 본질적으로 보장하는 동시에 유효성 강제와 분포 모델링을 분리하여 각각을 독립적으로 다룰 수 있도록 합니다. STS의 도메인 무관 에이전트인 **Generalist Populator**(GP)는 분포 충실도와 합성 확장성이라는 남은 과제를 해결합니다. GP는 *DB 스키마에 접근하지 않고도* 10개 환경 전체에 걸쳐 평균 한계 충실도 **0.88** 및 **100% 제약 조건 만족**을 달성한 반면, 통계적 합성기는 필수 시드 데이터 요구 사항으로 인해 7개 환경에 적용할 수 없었으며, 스키마 권한을 가진 에이전트는 취약한 태스크 구성으로 인해 항공사 환경의 밀접하게 결합된 워크플로에서 궤적의 82%가 실패했습니다. 전체 프레임워크, 10개 환경 모두, 그리고 생성된 데이터셋은 https://github.com/SAP/synthesis-through-simulation 에 오픈소스로 공개합니다.
망막 혈관 분할에서의 관찰자 선택과 임계값 선택: 피험자 분리 평가
Observer Choice and Threshold Selection in Retinal Vessel Segmentation: A Subject-Separated Evaluation
분할 임계값(threshold)을 선택하는 데 사용되는 주석(annotation)은 평가 프로토콜의 일부이지만, 그 효과는 모델 품질과 쉽게 혼동된다. 우리는 CHASE DB1의 전체 28개 이미지와 두 명의 사람 주석자(human annotations) 모두를 사용하여 망막 혈관 분할에서 이러한 선택을 조사한다. 고정된 7-폴드(seven-fold) 프로토콜은 14명의 피험자 각각의 양쪽 눈을 함께 유지한다. 랜덤 포레스트(Random Forest)와 Extra Trees는 관찰자 1을 기준으로 세 개의 무작위 시드(random seed)로 학습되어 총 42개의 적합(fit) 결과를 산출했다. 다섯 가지 임계값 정책은 동일한 점수 맵(score map)을 공유한다: 고정값 0.50, 관찰자 1 튜닝, 관찰자 2 튜닝, 평균 관찰자 튜닝, 그리고 이미지별 낮은 관찰자 Dice의 맥시민(maximin) 튜닝. 랜덤 포레스트의 경우, 맥시민은 21개 적합 중 19개에서 임계값을 변경했지만, 최악 관찰자(worst-observer) Dice는 70.53%에서 70.45%로 감소했다. 쌍별 차이(paired difference)는 -0.073 퍼센트 포인트이며, 조건부 피험자 부트스트랩(subject-bootstrap) 95% 구간은 [-0.384, 0.238]이다. Extra Trees도 동일한 방향을 보인다. 동일한 관찰자-1 튜닝된 랜덤 포레스트 마스크는 관찰자 1 대비 73.66%, 관찰자 2 대비 71.06%의 점수를 기록했다. 이 결과는 임계값 선택 기준(reference)과 평가 기준 모두를 명시적으로 보고해야 한다는 것을 지지하지만, 이 코호트(cohort)에서 맥시민 튜닝으로 인한 정확도 향상을 지지하지는 않는다. 모든 분할(split), 원시 예측(raw prediction), 지표(metric) 및 코드가 함께 제공된다. AI의 도움을 받았음을 명시한다.
토론
이 논문과 연결된 포럼 글이 아직 없습니다.