Learning with Noisy and Trusted Labels for Fine-Grained Plant Recognition

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F17%3A00315167" target="_blank" >RIV/68407700:21230/17:00315167 - isvavai.cz</a>

Výsledek na webu

<a href="http://ceur-ws.org/Vol-1866/paper_167.pdf" target="_blank" >http://ceur-ws.org/Vol-1866/paper_167.pdf</a>

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

Learning with Noisy and Trusted Labels for Fine-Grained Plant Recognition

Popis výsledku v původním jazyce

The paper describes the deep learning approach to automatic visual recognition of 10 000 plant species submitted to the PlantCLEF 2017 challenge. We evaluate modifications and extensions of the state-ofthe-art Inception-ResNet-v2 CNN architecture, including maxout, bootstrapping for training with noisy labels, and filtering the data with noisy labels using a classifier pre-trained on the trusted dataset. The final pipeline consists of a set of CNNs trained with different modifications on different subsets of the provided training data. With the proposed approach, we were ranked as the third best team in the LifeCLEF 2017 challenge.

Název v anglickém jazyce

Learning with Noisy and Trusted Labels for Fine-Grained Plant Recognition

Popis výsledku anglicky

The paper describes the deep learning approach to automatic visual recognition of 10 000 plant species submitted to the PlantCLEF 2017 challenge. We evaluate modifications and extensions of the state-ofthe-art Inception-ResNet-v2 CNN architecture, including maxout, bootstrapping for training with noisy labels, and filtering the data with noisy labels using a classifier pre-trained on the trusted dataset. The final pipeline consists of a set of CNNs trained with different modifications on different subsets of the provided training data. With the proposed approach, we were ranked as the third best team in the LifeCLEF 2017 challenge.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Projekt

<a href="/cs/project/GBP103%2F12%2FG084" target="_blank" >GBP103/12/G084: Centrum pro multi-modální interpretaci dat velkého rozsahu</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2017

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Working Notes of CLEF 2017 - Conference and Labs of the Evaluation Forum

ISBN

—

ISSN

1613-0073

e-ISSN

1613-0073

Počet stran výsledku

10

Strana od-do

—

Název nakladatele

CEUR Workshop Proceedings

Místo vydání

Aachen

Místo konání akce

Dublin

Datum konání akce

11. 9. 2017

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—