Fugu-MT 論文翻訳(概要): Estimating Grape Yield on the Vine from Multiple Images

論文の概要: Estimating Grape Yield on the Vine from Multiple Images

arxiv url: http://arxiv.org/abs/2004.04278v1
Date: Wed, 8 Apr 2020 21:58:58 GMT
ステータス: 処理完了
システム内更新日: 2022-12-15 09:22:09.804297
Title: Estimating Grape Yield on the Vine from Multiple Images
Title（参考訳）: 複数画像からのVine上のグレープ収量の推定
Authors: Daniel L. Silver and Jabun Nasa
Abstract要約: 本稿では,三脚配置で固定された安価なスマートフォンで撮影された画像を利用するマルチタスク学習(MTL)畳み込みニューラルネットワーク(CNN)アプローチを提案する。 CNNモデルは、オートエンコーダからのMTL転送を使用して、収穫の6日前に取得した画像データから85%の精度を達成している。
参考スコア（独自算出の注目度）: 3.04585143845864
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Estimating grape yield prior to harvest is important to commercial vineyard production as it informs many vineyard and winery decisions. Currently, the process of yield estimation is time consuming and varies in its accuracy from 75-90\% depending on the experience of the viticulturist. This paper proposes a multiple task learning (MTL) convolutional neural network (CNN) approach that uses images captured by inexpensive smart phones secured in a simple tripod arrangement. The CNN models use MTL transfer from autoencoders to achieve 85\% accuracy from image data captured 6 days prior to harvest.
Abstract（参考訳）: 収穫前のブドウ収量の推定は、多くのブドウ園やワイナリーの決定を知らせるので、商業的なブドウ園生産にとって重要である。現在、収率推定のプロセスは時間的消費であり、その正確さはヴィクセルティストの経験に応じて75-90\%である。本稿では,三脚配置で固定された安価なスマートフォンで撮影された画像を利用するマルチタスク学習(MTL)畳み込みニューラルネットワーク(CNN)アプローチを提案する。 CNNモデルは、オートエンコーダからのMTL転送を使用して、収穫の6日前に取得した画像データから85%の精度を達成する。

関連論文リスト

No Token Left Behind: Efficient Vision Transformer via Dynamic Token Idling [55.203866875294516]
視覚変換器(ViT)はコンピュータビジョンタスクにおいて優れた性能を示した。 ViTの計算負担を軽減するために,様々なトークンプルーニング技術が導入されている。性能と効率の優れたトレードオフを実現するための動的トークンアイドルベースのIdleViTを提案する。
論文参考訳（メタデータ） (2023-10-09T12:10:41Z)
Computer Vision-Aided Intelligent Monitoring of Coffee: Towards Sustainable Coffee Production [0.18472148461613155]
本研究では,コーヒー工場の画像処理に機械学習アルゴリズムYOLOを用いた。トレーニングデータアノテートのための革新的なアプローチとして、コーヒーフルーツの機械生成カラークラスに繋がるK平均モデルを訓練した。最後に、収穫時間を効率的に予測し、コーヒーの収量と品質を推定するだけでなく、植物の健康を知らせるAIベースの便利なモバイルアプリケーションの開発を試みた。
論文参考訳（メタデータ） (2023-04-11T04:25:07Z)
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)
Facilitated machine learning for image-based fruit quality assessment in developing countries [68.8204255655161]
自動画像分類は食品科学における教師あり機械学習の一般的な課題である。事前学習型視覚変換器(ViT)に基づく代替手法を提案する。標準的なデバイス上で限られたリソースで簡単に実装できる。
論文参考訳（メタデータ） (2022-07-10T19:52:20Z)
CropMix: Sampling a Rich Input Distribution via Multi-Scale Cropping [97.05377757299672]
そこで本研究では,元のデータセット分布からリッチな入力分布を生成するための簡単なCropMixを提案する。 CropMixは、分類タスクを実行するトレーニングレシピやニューラルネットワークアーキテクチャにシームレスに適用することができる。 CropMixは、より強力な表現に向けて、対照的な学習とマスクされた画像モデリングの両方に利益があることを示す。
論文参考訳（メタデータ） (2022-05-31T16:57:28Z)
Image analysis for automatic measurement of crustose lichens [0.0]
地層は、特に最近の地質学的堆積物や考古学的構造において、年代推定器としてよく使われている。現在の自動化されていない手作業のキッチンと測定は、時間と手間のかかるプロセスである。本研究は, 平らな岩盤表面のライチェンタルリを効率よく識別するワークフローと画像取得・処理ツールを提案する。
論文参考訳（メタデータ） (2022-03-01T23:11:59Z)
Grapevine Winter Pruning Automation: On Potential Pruning Points Detection through 2D Plant Modeling using Grapevine Segmentation [5.534990769313024]
グラペビンの冬刈りは複雑な作業であり、熟練した労働者が正しく実行する必要がある。この操作が完了するのに約80～120時間かかることを考えると、自動化システムはプロセスのスピードアップに役立つ。本稿では,この課題に対処するために,ブドウのイメージにオブジェクトセグメンテーションを施すことにより,新たな学際的アプローチを提案する。
論文参考訳（メタデータ） (2021-06-08T09:36:54Z)
Post-training deep neural network pruning via layer-wise calibration [70.65691136625514]
本論文では,自動合成フラクタル画像に基づくコンピュータビジョンモデルに対するデータフリーな拡張を提案する。実データを使用する場合は、トレーニング後の設定で65%の間隔で8ビットの精度でImageNet上のResNet50モデルを取得できます。
論文参考訳（メタデータ） (2021-04-30T14:20:51Z)
A CNN Approach to Simultaneously Count Plants and Detect Plantation-Rows from UAV Imagery [56.10033255997329]
畳み込みニューラルネットワーク(CNN)を用いた新しい深層学習手法を提案する。高度に乾燥したプランテーション構成を考慮した植物を数えながら、同時にプランテーション・ロウを検出し、配置する。提案手法は、異なる種類の作物のUAV画像において、植物と植物をカウントおよびジオロケートするための最先端の性能を達成した。
論文参考訳（メタデータ） (2020-12-31T18:51:17Z)
Counting of Grapevine Berries in Images via Semantic Segmentation using Convolutional Neural Networks [5.826324731529213]
本稿では、2つの異なるトレーニングシステムで動作する自動画像解析に基づく客観的フレームワークを提案する。このフレームワークは、畳み込みニューラルネットワークを使用して、セマンティックセグメンテーションを実行することで、画像内の単一のベリーを検出する。 VSPでは94.0%,SMPHでは85.6%のベリー検出が可能であった。
論文参考訳（メタデータ） (2020-04-29T08:10:19Z)

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。