使用伪标签来提高动物识别深度神经网络的性能
Rafael E P Ferreira1, Yong Jae Lee2, João R R Dórea3,4
1Department of Animal and Dairy Sciences, University of Wisconsin-Madison, Madison, WI, 53706, USA.
Scientific reports
|August 24, 2023
概括
伪标记是一种半监督学习方法,显著提高了识别霍尔斯坦牛的深度神经网络准确性. 这种技术减少了大量手动图像标签的需要,节省了动物识别的时间和资源.
科学领域:
- 动物识别 动物识别
- 计算机视觉 计算机视觉 计算机视觉
- 机器学习是机器学习.
背景情况:
- 用于动物识别的深度学习需要大型标记数据集.
- 手动图像标签是耗时和资源密集的.
- 需要自动化方法来提高效率.
研究的目的:
- 评估伪标签,以提高深度神经网络的性能,用于霍尔斯坦牛的识别.
- 评估各种标记训练集尺寸的影响.
- 将伪标签与传统的监督学习进行比较.
主要方法:
- 采用伪标签,一种半监督学习技术.
- 在数据集上训练深度神经网络,数据集中有不同数量的手动标记图像和更大的未标记数据集.
- 使用自动生成的伪标签用于没有标签的图像.
主要成果:
- 与仅使用手动标记数据相比,获得了高达20.4个百分点的准确性改进.
- 最好的模型在一群59只荷尔斯坦牛中识别个体时达到92.7%的准确性.
- 用小的手动标记数据集证明伪标签的有效性.
结论:
- 伪标签有效地提高了用于动物识别的深度神经网络性能.
- 这种半监督的方法提供了一种节省时间和资源的替代方案,可以替代广泛的手动标签.
- 该战略利用小型,注释良好的数据集来构建高性能识别模型.
