[논문 리뷰] iCassava 2019 Fine-Grained Visual Categorization Challenge

Ernest Mwebaze, Timnit Gebru외 3명|arXiv (Cornell University)|2019. 08. 08.

Smart Agriculture and AI참고 문헌 11인용 수 54

한 줄 요약

이 논문은 Kaggle 챌린지를 위한 라벨링된 이미지와 비라벨링 이미지를 갖춘 카사바 잎 데이터셋을 제시하며, 모바일 친화적 모델에서의 세미-지도 미세한 질병 분류를 촉진합니다. 데이터셋 통계, 챌린지 설정, 그리고 ResNet 아키텍처를 이용한 베이스라인 결과를 보고합니다.

ABSTRACT

Viral diseases are major sources of poor yields for cassava, the 2nd largest provider of carbohydrates in Africa.At least 80% of small-holder farmer households in Sub-Saharan Africa grow cassava. Since many of these farmers have smart phones, they can easily obtain photos of dis-eased and healthy cassava leaves in their farms, allowing the opportunity to use computer vision techniques to monitor the disease type and severity and increase yields. How-ever, annotating these images is extremely difficult as ex-perts who are able to distinguish between highly similar dis-eases need to be employed. We provide a dataset of labeled and unlabeled cassava leaves and formulate a Kaggle challenge to encourage participants to improve the performance of their algorithms using semi-supervised approaches. This paper describes our dataset and challenge which is part of the Fine-Grained Visual Categorization workshop at CVPR2019.

연구 동기 및 목표

• 아프리카의 소농을 돕기 위한 카사바 질병 자동 진단의 동기를 부여한다.
• 현장 환경의 도전을 반영한 라벨링된 데이터와 비라벨링 데이터를 포함하는 현실적인 현장 이미지 데이터셋을 제공한다.
• 모바일 배포에 적합한 세미-지도 학습 및 경량 모델을 장려한다.
• 공개 및 비공개 리더보드가 있는 Kaggle 챌린지를 통한 공정한 평가를 촉진한다.

제안 방법

• 우간다의 약 200명의 농부로부터 카사바 잎 이미지 데이터셋을 수집하고 주석을 달았다.
• 각 이미지를 다섯 가지 범주(Healthy, CMD, CBSD, CBB, CGM) 중 하나의 기본 질병 클래스로 라벨링했다.
• 세미-지도 학습 접근법을 촉진하기 위해 대규모 비라벨링 이미지 세트를 포함했다.
• 실제 현장 조건을 반영하기 위해 자르기와 일관성 검사 등의 데이터 처리 절차를 공개했다.
• 베이스라인으로 데이터 증강이 적용된 ResNet 기반 아키텍처를 사용했다.
• 공개 및 비공개 Kaggle 리더보드에서 전체 정확도를 평가 지표로 사용했다.

실험 결과

연구 질문

• RQ1 풍부한 비라벨링 데이터로 세미-지도 학습이 미세한 카사바 질병 분류를 개선할 수 있는가?
• RQ2 다양한 배경, 식물당 여러 질병, 불완전한 초점 등 현장 촬영의 도전에 대해 모델이 얼마나 잘 처리하는가?
• RQ3 실제 배포에 적합한 경량 모델이 스마트폰에서 달성할 수 있는 정확도 수준은 어느 정도인가?

주요 결과

• 데이터셋은 9,436개의 라벨링된 이미지와 12,595개의 비라벨링 이미지를 포함한다.
• 다섯 가지 클래스: Healthy, CMD, CBSD, CBB, CGM으로 지정된 학습/테스트 분할과 함께 제공된다.
• 최상위 솔루션의 비공개 리더보드 정확도는 약 93%에 달했다.
• 수상 접근 방식은 비라벨링 데이터를 활용하여 약 1%의 향상을 얻었다.
• 상위 3개 솔루션 모두 ResNet 아키텍처를 사용하고 데이터 증강을 적용했다.
• 챌런지는 농업 현장에서의 세미-지도 미세 분류의 실현 가능성을 보여준다.