論文の概要: Super Resolution for Root Imaging

• arxiv url: http://arxiv.org/abs/2003.13537v2
• Date: Tue, 5 May 2020 12:23:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-18 08:31:37.441428
• Title: Super Resolution for Root Imaging
• Title（参考訳）: ルートイメージングのためのスーパーレゾリューション
• Authors: Jose F. Ruiz-Munoz, Jyothier K. Nimmagadda, Tyler G. Dowd, and James E. Baciak, Alina Zare
• Abstract要約: 超解像度(SR)アルゴリズムは、センサーの解像度制限を克服し、ストレージスペースの要求を減らし、後の分析の性能を高めるために望まれる。 畳み込みニューラルネットワーク(CNN)を用いた植物の根の画像向上のためのSRフレームワークを提案する。 我々は、SRモデルが非ルートデータセットでトレーニングされた場合でも、基本的なバイコビックよりも優れる、公開データセットの集合を実証する。
• 参考スコア（独自算出の注目度）: 2.0924876102146714
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High-resolution cameras have become very helpful for plant phenotyping by providing a mechanism for tasks such as target versus background discrimination, and the measurement and analysis of fine-above-ground plant attributes. However, the acquisition of high-resolution (HR) imagery of plant roots is more challenging than above-ground data collection. Thus, an effective super-resolution (SR) algorithm is desired for overcoming resolution limitations of sensors, reducing storage space requirements, and boosting the performance of later analysis, such as automatic segmentation. We propose a SR framework for enhancing images of plant roots by using convolutional neural networks (CNNs). We compare three alternatives for training the SR model: i) training with non-plant-root images, ii) training with plant-root images, and iii) pretraining the model with non-plant-root images and fine-tuning with plant-root images. We demonstrate on a collection of publicly available datasets that the SR models outperform the basic bicubic interpolation even when trained with non-root datasets. Also, our segmentation experiments show that high performance on this task can be achieved independently of the SNR. Therefore, we conclude that the quality of the image enhancement depends on the application.
• Abstract（参考訳）: 高解像度カメラは、ターゲットと背景の識別などのタスクのメカニズムと、地上の微細な植物特性の測定と解析を提供することで、植物の表現型化に非常に役立っている。 しかし,植物根の高分解能(HR)画像の取得は,地上データ収集よりも困難である。 したがって、センサの解像度制限を克服し、ストレージスペースの要求を減らし、自動セグメンテーションなどの後続解析の性能を高めるために、効果的な超解像アルゴリズムが望まれる。 本稿では、畳み込みニューラルネットワーク(CNN)を用いて植物の根の画像を強化するSRフレームワークを提案する。 SRモデルをトレーニングするための3つの選択肢を比較する。 一 非植物根画像による訓練 二 植物根の画像による訓練及び 三 非植物根画像による事前訓練及び植物根画像による微調整 我々は、srモデルが非ルートデータセットでトレーニングされた場合でも、基本的なbicubic補間よりも優れる公開データセットの集合を実証する。 また, セグメント化実験の結果, SNRとは独立に高い性能が得られることがわかった。 したがって、画像強調の質は応用に依存すると結論付けている。

関連論文リスト

• Rethinking Image Super-Resolution from Training Data Perspectives [54.28824316574355]
  画像超解像(SR)におけるトレーニングデータの効果について検討する。 そこで我々は,自動画像評価パイプラインを提案する。 その結果, (i) 圧縮アーチファクトの少ないデータセット, (ii) 被写体数によって判断される画像内多様性の高いデータセット, (iii) ImageNet や PASS からの大量の画像がSR性能に肯定的な影響を与えることがわかった。
  論文  参考訳（メタデータ） (2024-09-01T16:25:04Z)
• Semantic Guided Large Scale Factor Remote Sensing Image Super-resolution with Generative Diffusion Prior [13.148815217684277]
  大規模因子超解像(SR)アルゴリズムは、軌道から取得した低解像度(LR)衛星データの最大化に不可欠である。 既存の手法では、鮮明なテクスチャと正しい接地オブジェクトでSR画像を復元する際の課題に直面している。 本稿では,大規模リモートセンシング画像の超解像を実現するための新しいフレームワークであるセマンティックガイド拡散モデル(SGDM)を提案する。
  論文  参考訳（メタデータ） (2024-05-11T16:06:16Z)
• SepHRNet: Generating High-Resolution Crop Maps from Remote Sensing imagery using HRNet with Separable Convolution [3.717258819781834]
  本稿では、HRNetと分離可能な畳み込み層を統合し、空間的パターンをキャプチャし、データの時間的パターンをキャプチャする、新たなDeep Learningアプローチを提案する。 提案アルゴリズムは、作物マップの生成において、97.5%の分類精度と55.2%のIoUを高い分類精度で達成する。
  論文  参考訳（メタデータ） (2023-07-11T18:07:25Z)
• Hierarchical Similarity Learning for Aliasing Suppression Image Super-Resolution [64.15915577164894]
  エイリアスの影響を抑制するために階層画像超解像ネットワーク(HSRNet)を提案する。 HSRNetは、他の作品よりも定量的かつ視覚的なパフォーマンスを向上し、エイリアスをより効果的に再送信する。
  論文  参考訳（メタデータ） (2022-06-07T14:55:32Z)
• Estimates of maize plant density from UAV RGB images using Faster-RCNN detection model: impact of the spatial resolution [2.757597890229683]
  高分解能(HR)画像は、初期段階に存在する小さな植物を検出するために必要である。 本研究では,イメージグラウンドサンプリング距離(GSD)が3-5葉のトウモロコシ植物検出性能に及ぼす影響について,Faster-RCNNを用いて検討した。
  論文  参考訳（メタデータ） (2021-05-25T11:54:51Z)
• Best-Buddy GANs for Highly Detailed Image Super-Resolution [71.13466303340192]
  我々は,低分解能(LR)入力に基づいて高分解能(HR)画像を生成する単一画像超解像(SISR)問題を考える。 このラインに沿ったほとんどのメソッドは、SISRタスクに十分な柔軟性がない、事前定義されたシングルLRシングルHRマッピングに依存しています。 リッチディテールSISRのためのベストバディGAN(Beby-GAN)を提案する。 イミュータブルな1対1の制約を緩和することで、推定されたパッチを動的に最高の監視を求めることができる。
  論文  参考訳（メタデータ） (2021-03-29T02:58:27Z)
• Single-Image HDR Reconstruction by Learning to Reverse the Camera Pipeline [100.5353614588565]
  本稿では,LDR画像形成パイプラインの領域知識をモデルに組み込むことを提案する。 我々は,HDRto-LDR画像形成パイプラインを(1)ダイナミックレンジクリッピング,(2)カメラ応答関数からの非線形マッピング,(3)量子化としてモデル化する。 提案手法は,最先端の単一画像HDR再構成アルゴリズムに対して良好に動作することを示す。
  論文  参考訳（メタデータ） (2020-04-02T17:59:04Z)
• PULSE: Self-Supervised Photo Upsampling via Latent Space Exploration of Generative Models [77.32079593577821]
  PULSE (Photo Upsampling via Latent Space Exploration) は、それまで文献になかった解像度で高解像度でリアルな画像を生成する。 本手法は, 従来よりも高分解能, スケールファクターの知覚品質において, 最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2020-03-08T16:44:31Z)
• 3D U-Net for Segmentation of Plant Root MRI Images in Super-Resolution [22.738142711915437]
  本稿では,3次元U-Netを用いた超解像において,スキャンした体積を根と土壌に分割することで,信号対雑音比と分解能を高めることを提案する。 実際のデータでのテストでは、トレーニングされたネットワークがほとんどのルートを正常に検出でき、人間のアノテータが見逃したルートも見つかる。
  論文  参考訳（メタデータ） (2020-02-21T14:12:57Z)
• Characteristic Regularisation for Super-Resolving Face Images [81.84939112201377]
  既存の顔画像超解像法(SR)は、主に人工的にダウンサンプリングされた低解像度(LR)画像の改善に焦点を当てている。 従来の非教師なしドメイン適応(UDA)手法は、未ペアの真のLRとHRデータを用いてモデルをトレーニングすることでこの問題に対処する。 これにより、視覚的特徴を構成することと、画像の解像度を高めることの2つのタスクで、モデルをオーバーストレッチする。 従来のSRモデルとUDAモデルの利点を結合する手法を定式化する。
  論文  参考訳（メタデータ） (2019-12-30T16:27:24Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。