論文の概要: Finding Berries: Segmentation and Counting of Cranberries using Point Supervision and Shape Priors

• arxiv url: http://arxiv.org/abs/2004.08501v2
• Date: Fri, 24 Apr 2020 16:22:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-12 05:27:51.969137
• Title: Finding Berries: Segmentation and Counting of Cranberries using Point Supervision and Shape Priors
• Title（参考訳）: ベリーの探索:点監督と形状優先を用いたクランベリーのセグメンテーションとカウント
• Authors: Peri Akiva, Kristin Dana, Peter Oudemans, Michael Mars
• Abstract要約: 本研究では,収量推定と日射予測を支援するために,クランベリーの同時分別と計数を行う深層学習手法を提案する。 このアプローチはTriple-S Networkと呼ばれ、農業シーンに典型的な既知の形状の物体に適合するように、形状が先行する3つの部分の損失を伴っている。 その結果, セグメント化性能は6.74%以上向上し, 最先端技術と比較して22.91%向上した。
• 参考スコア（独自算出の注目度）: 3.6704226968275258
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Precision agriculture has become a key factor for increasing crop yields by providing essential information to decision makers. In this work, we present a deep learning method for simultaneous segmentation and counting of cranberries to aid in yield estimation and sun exposure predictions. Notably, supervision is done using low cost center point annotations. The approach, named Triple-S Network, incorporates a three-part loss with shape priors to promote better fitting to objects of known shape typical in agricultural scenes. Our results improve overall segmentation performance by more than 6.74% and counting results by 22.91% when compared to state-of-the-art. To train and evaluate the network, we have collected the CRanberry Aerial Imagery Dataset (CRAID), the largest dataset of aerial drone imagery from cranberry fields. This dataset will be made publicly available.
• Abstract（参考訳）: 精密農業は意思決定者にとって不可欠な情報を提供することで収穫量を増やす重要な要因となっている。 本研究では,収率推定と日射量予測を支援するために,クランベリーのセグメンテーションとカウントを同時に行うディープラーニング手法を提案する。 特に、監督は低コストのセンターポイントアノテーションを使って行われます。 このアプローチはTriple-S Networkと呼ばれ、農業シーンに典型的な既知の形状の物体に適合するように、形状が先行する3つの部分の損失を伴っている。 その結果, セグメント化性能は6.74%以上向上し, 最先端技術と比較して22.91%向上した。 ネットワークをトレーニングし、評価するために、クランベリー畑のドローン画像の最大のデータセットであるCRanberry Aerial Imagery Dataset (CRAID)を収集した。 このデータセットは公開される予定だ。

関連論文リスト

• CitDet: A Benchmark Dataset for Citrus Fruit Detection [4.148753005188076]
  本研究は,キツネ果実の検出における技術状況の進展と,黄龍病の被害を受けた樹木の収量を正確に推定するための新しいデータセットを提案する。 データセットは579の高解像度画像に含まれるフルーツインスタンスのための32,000以上のバウンディングボックスアノテーションで構成されている。
  論文  参考訳（メタデータ） (2023-09-11T17:37:08Z)
• Vision-Based Cranberry Crop Ripening Assessment [1.8434042562191815]
  この研究は、コンピュータビジョンを用いた熟成の定量的評価において、最初のものである。 ワインのブドウ、オリーブ、ブルーベリー、トウモロコシなどクランベリー以外の作物にも影響がある。
  論文  参考訳（メタデータ） (2023-08-31T14:58:11Z)
• HarvestNet: A Dataset for Detecting Smallholder Farming Activity Using Harvest Piles and Remote Sensing [50.4506590177605]
  HarvestNetは、2020-2023年のエチオピアのティグレイとアムハラの農場の存在をマッピングするためのデータセットである。 本研究は,多くの小作システムの特徴ある収穫杭の検出に基づく新しい手法を提案する。 本研究は, 農作物のリモートセンシングが, 食品の安全地帯において, よりタイムリーかつ正確な農地評価に寄与することが示唆された。
  論文  参考訳（メタデータ） (2023-08-23T11:03:28Z)
• On Domain-Specific Pre-Training for Effective Semantic Perception in Agricultural Robotics [30.966137924072097]
  農業ロボットは、畑を監視し、植物と成長段階を自動で評価することを目的としている。 意味的知覚は、主に教師付きアプローチを用いた深層学習に依存している。 本稿では,最終セグメンテーション性能を損なうことなく,ラベルの量を削減する問題を考察する。
  論文  参考訳（メタデータ） (2023-03-22T12:10:44Z)
• Agave crop segmentation and maturity classification with deep learning data-centric strategies using very high-resolution satellite imagery [101.18253437732933]
  超高解像度衛星画像を用いたAgave tequilana Weber azul crop segmentation and mature classificationを提案する。 実世界の深層学習問題を,作物の選別という非常に具体的な文脈で解決する。 結果として得られた正確なモデルにより、大規模地域で生産予測を行うことができる。
  論文  参考訳（メタデータ） (2023-03-21T03:15:29Z)
• Weakly and Semi-Supervised Detection, Segmentation and Tracking of Table Grapes with Limited and Noisy Data [7.754321012552764]
  現代のアルゴリズムはデータに飢えており、最高のパフォーマンスの教師付きアプローチを適用するのに十分なデータを集めることは必ずしも不可能である。 本稿では,精密農業応用における最先端検出・分節化に必要なデータを削減するために,弱教師付きソリューションを提案する。 我々は,ラベル付き画像がほとんどなく,非常に単純なラベル付けで高い性能を達成できる新しいモデルをいかに訓練できるかを示す。
  論文  参考訳（メタデータ） (2022-08-27T12:58:42Z)
• Multimodal Crop Type Classification Fusing Multi-Spectral Satellite Time Series with Farmers Crop Rotations and Local Crop Distribution [0.0]
  本稿では,3つのデータ型を用いた土地利用と作物型分類課題に取り組むことを提案する。 28級(.948)の5.1ポイント、9.6ポイントのマイクロF1の10級(.887)の精度。
  論文  参考訳（メタデータ） (2022-08-23T09:41:09Z)
• 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)
• 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)
• Pollen13K: A Large Scale Microscope Pollen Grain Image Dataset [63.05335933454068]
  この研究は、1万3千以上の天体を含む最初の大規模花粉画像データセットを提示する。 本稿では, エアロバイオロジカルサンプリング, 顕微鏡画像取得, 物体検出, セグメンテーション, ラベル付けなど, 採用データ取得のステップに注目した。
  論文  参考訳（メタデータ） (2020-07-09T10:33:31Z)
• Agriculture-Vision: A Large Aerial Image Database for Agricultural Pattern Analysis [110.30849704592592]
  本稿では,農業パターンのセマンティックセグメンテーションのための大規模空中農地画像データセットであるGarmry-Visionを提案する。 各画像はRGBと近赤外線(NIR)チャンネルで構成され、解像度は1ピクセルあたり10cmである。 農家にとって最も重要な9種類のフィールド異常パターンに注釈を付ける。
  論文  参考訳（メタデータ） (2020-01-05T20:19:33Z)

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。