Jove
Visualize
联系我们

相关实验视频

苏拉比:自学训练使用基于纠正的注释的硬实例来识别牛的Eidetic.

Manu Ramesh1, Amy R Reibman1

  • 1School of Electrical and Computer Engineering, Purdue University, West Lafayette, IN 47907, USA.

Sensors (Basel, Switzerland)
|December 17, 2024
PubMed
概括
此摘要是机器生成的。

苏拉比通过生成具有挑战性的训练实例来增强深度学习的关键点检测,提高牛的识别精度. 这种自我训练计划可以提高牛的识别能力,尤其是在有限的数据的情况下.

关键词:
牛的识别 牛的识别艰难的实例 艰难的实例关键点检测检测的关键点检测自己训练的自我训练.

相关实验视频

相关概念视频

您也可能阅读

相关文章

通过共同作者、期刊和引用图与本文相关的文章。

排序
Same journal

RETRACTED: Zhang et al. A Novel Framework for Reconstruction and Imaging of Target Scattering Centers via Wide-Angle Incidence in Radar Networks. <i>Sensors</i> 2025, <i>25</i>, 6802.

Sensors (Basel, Switzerland)·2026
Same journal

Enhancing Unsupervised Multi-Source Domain Adaptation for Person Re-Identification via Mixture of Experts and Graph-Based Relation.

Sensors (Basel, Switzerland)·2026
Same journal

Development of an Instrumented Glove for Palmar Pressure Assessment in Kayakers.

Sensors (Basel, Switzerland)·2026
Same journal

Development and Experimental Validation of an Autonomous IoT-Based Monitoring System for Real-Time Water Quality Assessment in the Amazon River.

Sensors (Basel, Switzerland)·2026
Same journal

Semi-Supervised Adversarial Learning Framework for Controller Area Network Bus Intrusion Detection.

Sensors (Basel, Switzerland)·2026
Same journal

Smart Optimization Method for Safety Signs in Innovative Manufacturing Environments Integrating Industrial Field IoT Sensors and Knowledge Graphs.

Sensors (Basel, Switzerland)·2026
查看所有相关文章
JoVE
x logofacebook logolinkedin logoyoutube logo
关于 JoVE
概览领导团队博客JoVE 帮助中心
作者
出版流程编辑委员会范围与政策同行评审常见问题投稿
图书馆员
用户评价订阅访问资源图书馆顾问委员会常见问题
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experiments存档
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教师资源中心教师网站
使用条款与条件
隐私政策
政策

科学领域:

  • 计算机视觉 计算机视觉
  • 机器学习 机器学习
  • 动物科学动物科学

背景情况:

  • 准确的关键点检测对于动物识别系统至关重要.
  • 深度学习模型通常需要广泛的标记数据来实现最佳性能.
  • 现有的方法可能会在最小的训练数据集下扎.

研究的目的:

  • 推出 SURABHI,这是一个自我训练方案,用于增强深度学习的关键点检测.
  • 通过生成有效的,机器注释的"硬"实例来提高关键点检测的准确性.
  • 提高牛的识别系统的性能,特别是Eidetic牛识别系统.

主要方法:

  • 开发了 SURABHI,一种用于生成机器注释实例的自我训练方法.
  • 专注于创建挑战关键点检测模型的"硬"实例.
  • 设计了从上向下视图预测牛群关键点的方案.
  • 集成的苏拉比与Eidetic牛识别系统.

主要成果:

  • 苏拉比显著提高了关键点检测准确度,而不改变模型架构.
  • 在牛视频数据集上实现了91.89%的前6个牛识别准确度.
  • 与完全监督培训相比,正确识别牛实例的数量增加了22%.
  • 证明了实质性的准确性增长,特别是在可用的培训数据最小的情况下.

结论:

  • 苏拉比是一个有效的自我训练方案,用于提高深度学习的关键点检测.
  • 该方法提高了牛的识别准确性,对于像Eidetic牛识别这样的系统非常有价值.
  • 苏拉比为训练数据有限的场景提供了强大的解决方案,优于传统的监督方法.