論文の概要: Transfer Learning of Photometric Phenotypes in Agriculture Using
Metadata
- arxiv url: http://arxiv.org/abs/2004.00303v1
- Date: Wed, 1 Apr 2020 09:24:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-17 18:53:56.022456
- Title: Transfer Learning of Photometric Phenotypes in Agriculture Using
Metadata
- Title(参考訳): メタデータを用いた農業における光度現象の伝達学習
- Authors: Dan Halbersberg, Aharon Bar Hillel, Shon Mendelson, Daniel Koster,
Lena Karol, and Boaz Lerner
- Abstract要約: フィールド条件下での光度植物表現型(例えば、色調、色調、色調)の推定は、期待される収量品質、果実の熟度、さらなる育種の必要性を決定する上で重要である。
ネットワークに埋め込まれた条件の取得に関する画像とメタデータを組み合わせることで、異なる条件間のより正確な推定と転送を可能にします。
最先端の深層CNNと人間の専門家と比較して、メタデータの埋め込みはトマトの色調と色調の推定を改善する。
- 参考スコア(独自算出の注目度): 6.034634994180246
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Estimation of photometric plant phenotypes (e.g., hue, shine, chroma) in
field conditions is important for decisions on the expected yield quality,
fruit ripeness, and need for further breeding. Estimating these from images is
difficult due to large variances in lighting conditions, shadows, and sensor
properties. We combine the image and metadata regarding capturing conditions
embedded into a network, enabling more accurate estimation and transfer between
different conditions. Compared to a state-of-the-art deep CNN and a human
expert, metadata embedding improves the estimation of the tomato's hue and
chroma.
- Abstract(参考訳): 実地条件下での測光植物表現型(例えば、hue、shine、chroma)の推定は、期待収量品質、果実の熟度、さらに育種の必要性を決定する上で重要である。
照明条件,影,センサ特性のばらつきが大きいため,これらを画像から推定することは困難である。
ネットワークに埋め込まれた条件の取得に関する画像とメタデータを組み合わせて、異なる条件間のより正確な推定と転送を可能にします。
最先端の深層CNNと人間の専門家と比較して、メタデータの埋め込みはトマトの色調と色調の推定を改善する。
関連論文リスト
- Data-driven Crop Growth Simulation on Time-varying Generated Images
using Multi-conditional Generative Adversarial Networks [2.513679466277441]
本稿では,画像予測モデルの第1段と成長推定モデル第2段からなる2段階のフレームワークを提案する。
画像予測モデルは条件付きワッサーシュタイン生成対向ネットワーク(CWGAN)である
このモデルの生成元では、条件付きバッチ正規化(CBN)を使用して、入力画像と異なる条件を統合する。
これらの画像は、植物特有の形質を導出することにより植物表現の枠組みの第2部によって使用される。
論文 参考訳(メタデータ) (2023-12-06T11:54:50Z) - Geometric Data Augmentations to Mitigate Distribution Shifts in Pollen
Classification from Microscopic Images [4.545340728210854]
我々は、幾何学的特徴が正確な花粉の同定に非常に重要であるというドメイン知識を活用している。
本稿では,列車におけるモデル性能とテストデータセットとの精度ギャップを著しく狭めるために,新しい2つの幾何画像拡張手法を提案する。
論文 参考訳(メタデータ) (2023-11-18T10:35:18Z) - Generative models-based data labeling for deep networks regression:
application to seed maturity estimation from UAV multispectral images [3.6868861317674524]
種子の成熟度モニタリングは、気候変動とより制限的な慣行による農業における課題の増加である。
従来の手法は、フィールドでの限られたサンプリングと実験室での分析に基づいている。
マルチスペクトルUAV画像を用いたパセリ種子の成熟度推定手法の提案と,自動ラベリングのための新しいアプローチを提案する。
論文 参考訳(メタデータ) (2022-08-09T09:06:51Z) - End-to-end deep learning for directly estimating grape yield from
ground-based imagery [53.086864957064876]
本研究は, ブドウ畑の収量推定に深層学習と併用した近位画像の応用を実証する。
オブジェクト検出、CNN回帰、トランスフォーマーモデルという3つのモデルアーキテクチャがテストされた。
本研究は,ブドウの収量予測における近位画像と深層学習の適用性を示した。
論文 参考訳(メタデータ) (2022-08-04T01:34:46Z) - Texture Characterization of Histopathologic Images Using Ecological
Diversity Measures and Discrete Wavelet Transform [82.53597363161228]
本稿では,病理組織像間でテクスチャを特徴付ける手法を提案する。
2つのHIデータセットに有望な精度で、そのような画像の固有特性を定量化することが可能である。
論文 参考訳(メタデータ) (2022-02-27T02:19:09Z) - An Applied Deep Learning Approach for Estimating Soybean Relative
Maturity from UAV Imagery to Aid Plant Breeding Decisions [7.4022258821325115]
我々は,UAV画像の時系列を用いて,大豆の相対的成熟度を推定するための頑健で自動的なアプローチを開発した。
畳み込みニューラルネットワーク(CNN)とLong Short-Term Memory(LSTM)を組み合わせたエンドツーエンドハイブリッドモデルを提案する。
その結果,CNN-LSTMモデルの有効性を局所回帰法と比較した。
論文 参考訳(メタデータ) (2021-08-02T14:53:58Z) - Potato Crop Stress Identification in Aerial Images using Deep
Learning-based Object Detection [60.83360138070649]
本稿では, 深層ニューラルネットワークを用いたジャガイモの空中画像解析手法を提案する。
主な目的は、植物レベルでの健康作物とストレス作物の自動空間認識を実証することである。
実験により、フィールド画像中の健康植物とストレス植物を識別し、平均Dice係数0.74を達成できることを示した。
論文 参考訳(メタデータ) (2021-06-14T21:57:40Z) - Using depth information and colour space variations for improving
outdoor robustness for instance segmentation of cabbage [62.997667081978825]
本研究は, 異なる環境条件下での作物のインスタンスセグメンテーションの改善に焦点をあてる。
深度情報と異なる色空間表現の影響を分析した。
その結果,色情報と組み合わせることでセグメンテーション精度が7.1%向上した。
論文 参考訳(メタデータ) (2021-03-31T09:19:12Z) - A Robust Illumination-Invariant Camera System for Agricultural
Applications [7.349727826230863]
オブジェクト検出とセマンティックセグメンテーションは、農業アプリケーションで最も広く採用されているディープラーニングアルゴリズムの2つです。
我々は,全ての照明条件下で一貫した画像を生成する,高スループットな能動照明カメラシステムを提案する。
平均して、オブジェクト検出のためのディープネットは、一貫性のあるデータで訓練され、同様の精度を達成するために4倍近いデータを必要としました。
論文 参考訳(メタデータ) (2021-01-06T18:50:53Z) - Estimating Crop Primary Productivity with Sentinel-2 and Landsat 8 using
Machine Learning Methods Trained with Radiative Transfer Simulations [58.17039841385472]
我々は,機械モデリングと衛星データ利用の並列化を活用し,作物生産性の高度モニタリングを行う。
本モデルでは, 地域情報を使用しなくても, 各種C3作物の種類, 環境条件の総合的生産性を推定することに成功した。
これは、現在の地球観測クラウドコンピューティングプラットフォームの助けを借りて、新しい衛星センサーから作物の生産性をグローバルにマップする可能性を強調しています。
論文 参考訳(メタデータ) (2020-12-07T16:23:13Z) - Automatic image-based identification and biomass estimation of
invertebrates [70.08255822611812]
時間を要する分類と分類は、どれだけの昆虫を処理できるかに強い制限を課す。
我々は、人間の専門家による分類と識別の標準的な手動アプローチを、自動画像ベース技術に置き換えることを提案する。
分類タスクには最先端のResnet-50とInceptionV3 CNNを使用する。
論文 参考訳(メタデータ) (2020-02-05T21:38:57Z)
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。