Logo des Repositoriums
 

Implementierung eines Noisy-Student-Ansatzes zur Verbesserung der automatischen Detektionsleistung bei Ferkeln

Kurzanzeige
dc.contributor.authorWutke, Martin
dc.contributor.authorHolzhauer, Anne
dc.contributor.authorHartmann, Ulrich
dc.contributor.authorLieboldt, Marc-Alexander
dc.contributor.authorTraulsen, Imke
dc.date.accessioned2024-04-08T11:56:36Z
dc.date.available2024-04-08T11:56:36Z
dc.date.issued2024
dc.description.abstractDie Verwendung überwachter Lernalgorithmen aus dem Bereich der künstlichen Intelligenz hält vermehrt Einzug im wissenschaftlichen Alltag. Vor allem die Nutzung von Kameratechnologie und Objekterkennung zeigt großes Potenzial im ethologischen Kontext. Da der Prozess der Datenannotation einen Großteil der zeitlichen und kostenbezogenen Ressourcen vereinnahmt, werden langfristig innovative Trainingsansätze notwendig. Die vorliegende Studie beschreibt diesbezüglich einen semi-überwachten Noisy-Student-Ansatz zur automatischen Datengenerierung und Verbesserung der Objektdetektion am Beispiel neugeborener Ferkel. Im Rahmen eines zweistufen Modellansatzes wird ein auf händisch annotierten Daten trainiertes Lehrermodell zur Erzeugung von Pseudo-Annotationen und zum Training eines Schülermodells verwendet. Im Ergebnis kann auf diese Weise eine Verbesserung der Detektionsleistung mit einem Recall-Wert von 0,453 auf 0,707 und einem mAP0.5-Wert von 0,773 auf 0,839 erzielt werden. Die Ergebnisse dieser Studie werden im weiteren Projektverlauf zur Untersuchung des Abferkelprozesses und der Bestimmung kritischer Informationen zum Geburtsverlauf beitragen.de
dc.identifier.doix10.18420/giljt2024_08
dc.identifier.isbn978-3-88579-738-8
dc.identifier.pissn1617-5468
dc.identifier.urihttps://dl.gi.de/handle/20.500.12116/43922
dc.language.isode
dc.publisherGesellschaft für Informatik e.V.
dc.relation.ispartof44. GIL - Jahrestagung, Biodiversität fördern durch digitale Landwirtschaft
dc.relation.ispartofseriesLecture Notes in Informatics(LNI) - Proceedings, Volume P - 344
dc.subjectComputer Vision
dc.subjectNoisy-Student
dc.subjectObjekterkennung
dc.subjectAbferkelung
dc.titleImplementierung eines Noisy-Student-Ansatzes zur Verbesserung der automatischen Detektionsleistung bei Ferkelnde
dc.typeText/Conference Paper
gi.citation.endPage472
gi.citation.publisherPlaceBonn
gi.citation.startPage467
gi.conference.date27.-28. Februar 2024
gi.conference.locationStuttgart
gi.conference.reviewfull

Dateien

Originalbündel
1 - 1 von 1
Vorschaubild
Name:
GIL_2024_Wutke_467-472.pdf
Größe:
266.25 KB
Format:
Adobe Portable Document Format
Herunterladen

Sammlungen

P344 - 44. GIL-Jahrestagung 2024 - Fokus: Biodiversität fördern durch digitale Landwirtschaft