Fugu-MT 論文翻訳(概要): Image Processing Failure and Deep Learning Success in Lawn Measurement

論文の概要: Image Processing Failure and Deep Learning Success in Lawn Measurement

arxiv url: http://arxiv.org/abs/2004.10382v1
Date: Wed, 22 Apr 2020 03:20:16 GMT
ステータス: 処理完了
システム内更新日: 2022-12-10 18:22:51.146378
Title: Image Processing Failure and Deep Learning Success in Lawn Measurement
Title（参考訳）: ローン計測における画像処理失敗とディープラーニング成功
Authors: J. Wilkins, M. V. Nguyen, B. Rahmani
Abstract要約: 畳み込みニューラルネットワーク(CNN)は、この目的に対して非常に高い精度(94-97%)を示す。画像処理法では,80～87%の精度の閾値保持とエッジ検出が芝生面積の測定に有効な方法であるが,26～31%の精度のコントゥーリングでは芝生面積の計算に成功していない。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Lawn area measurement is an application of image processing and deep learning. Researchers have been used hierarchical networks, segmented images and many other methods to measure lawn area. Methods effectiveness and accuracy varies. In this project Image processing and deep learning methods has been compared to find the best way to measure the lawn area. Three Image processing methods using OpenCV has been compared to Convolutional Neural network which is one of the most famous and effective deep learning methods. We used Keras and TensorFlow to estimate the lawn area. Convolutional Neural Network or shortly CNN shows very high accuracy (94-97%) for this purpose. In image processing methods, Thresholding with 80-87% accuracy and Edge detection are effective methods to measure the lawn area but Contouring with 26-31% accuracy does not calculate the lawn area successfully. We may conclude that deep learning methods especially CNN could be the best detective method comparing to image processing and other deep learning techniques.
Abstract（参考訳）: 芝生面積の測定は画像処理とディープラーニングの応用である。研究者たちは階層ネットワーク、セグメンテーション画像、その他多くの方法を使って芝生面積を測定している。有効性と正確性は様々である。このプロジェクトでは、画像処理と深層学習法を比較し、芝生の面積を測定する最善の方法を見出した。 OpenCVを用いた3つの画像処理手法は、最も有名で効果的なディープラーニング手法の一つである畳み込みニューラルネットワークと比較されている。我々はKerasとTensorFlowを使って芝生の面積を推定した。畳み込みニューラルネットワーク(CNN)は、この目的に対して非常に高い精度(94-97%)を示す。画像処理では,芝生面積の測定には80～87%の精度とエッジ検出のしきい値が有効であるが,26～31%の精度では芝生面積を計算できない。深層学習法,特にcnnは,画像処理や他の深層学習法と比較して,最善の探索法であると考えられる。

関連論文リスト

Detecting Generated Images by Real Images Only [64.12501227493765]
既存の画像検出手法は、生成画像中の視覚的アーティファクトを検出したり、大規模なトレーニングによって、実画像と生成画像の両方から識別的特徴を学習する。本稿では,新たな視点から生成した画像検出問題にアプローチする。実画像の共通性を見つけ、特徴空間内の密接な部分空間にマッピングすることで、生成した画像は生成モデルに関係なくサブ空間の外側に投影される。
論文参考訳（メタデータ） (2023-11-02T03:09:37Z)
Automatic Cadastral Boundary Detection of Very High Resolution Images Using Mask R-CNN [1.0019706819513459]
本稿では,ディープラーニングに着目し,作業の質を向上させるための3つの幾何学的後処理手法を提案する。最初の部分では、ImageNetデータセット上で、事前トレーニングされたResNet-50のバックボーンでMask R-CNNを使用します。第2段階では、3つの幾何学的後処理法を第1部の出力に適用し、全体的な出力を改善する。
論文参考訳（メタデータ） (2023-08-17T10:47:15Z)
Precise localization of corneal reflections in eye images using deep learning trained on synthetic data [9.150553995510217]
眼球画像中の1つの角膜反射(CR)の中心を正確に位置決めする深層学習法を提案する。我々は、シミュレーションデータのみを用いてトレーニングされた畳み込みニューラルネットワーク(CNN)を使用している。提案手法はCR中心位置決めの高精度な手法を提供し,データ可用性問題に対する解決策を提供する。
論文参考訳（メタデータ） (2023-04-12T07:49:21Z)
Perspective Flow Aggregation for Data-Limited 6D Object Pose Estimation [121.02948087956955]
宇宙や水中の深層などのいくつかのアプリケーションでは、実際の画像を取得することは、注釈のないものであっても、事実上不可能である。本稿では,合成画像のみに限定してトレーニングできる手法を提案する。これは、アノテートされた実画像を必要としない場合、トレーニングのためにアノテートされた実画像を必要とするメソッドと同等に動作し、20個の実画像を使用する場合、かなりパフォーマンスが向上する。
論文参考訳（メタデータ） (2022-03-18T10:20:21Z)
Single image deep defocus estimation and its applications [82.93345261434943]
画像パッチを20レベルの曖昧さの1つに分類するために、ディープニューラルネットワークをトレーニングします。トレーニングされたモデルは、反復重み付きガイドフィルタを適用して改善するパッチのぼかしを決定するために使用される。その結果、デフォーカスマップは各ピクセルのぼやけた度合いの情報を運ぶ。
論文参考訳（メタデータ） (2021-07-30T06:18:16Z)
With a Little Help from My Friends: Nearest-Neighbor Contrastive Learning of Visual Representations [87.72779294717267]
対比損失で最も近い隣り合わせを正として使用すると、ImageNet分類でパフォーマンスが大幅に向上します。提案手法が複雑なデータ拡張に依存しないことを実証的に証明する。
論文参考訳（メタデータ） (2021-04-29T17:56:08Z)
Scale Normalized Image Pyramids with AutoFocus for Object Detection [75.71320993452372]
スケール正規化画像ピラミッド(SNIP)が生成され、人間の視覚と同様に、異なるスケールで固定されたサイズ範囲内のオブジェクトにのみ参加する。本研究では,オブジェクトを含む可能性のある固定サイズのサブリージョンのみで動作する,効率的な空間サブサンプリング手法を提案する。結果のアルゴリズムはAutoFocusと呼ばれ、SNIPを使用する場合の推論では2.5～5倍のスピードアップとなる。
論文参考訳（メタデータ） (2021-02-10T18:57:53Z)
Contrastive Rendering for Ultrasound Image Segmentation [59.23915581079123]
米国の画像にシャープな境界がないことは、セグメンテーションに固有の課題である。我々は,US画像における境界推定を改善するための,新しい,効果的なフレームワークを提案する。提案手法は最先端の手法より優れており,臨床応用の可能性も高い。
論文参考訳（メタデータ） (2020-10-10T07:14:03Z)
Region Growing with Convolutional Neural Networks for Biomedical Image Segmentation [1.5469452301122177]
本稿では,各座標方向の予測マスク領域を反復的に成長させることにより,畳み込みニューラルネットワーク(CNN)を用いてセグメンテーションを行う手法を提案する。我々は、CNNの確率スコアのしきい値を用いて、その領域にピクセルが追加され、その領域に新しいピクセルが加わらないまで繰り返し続けるかどうかを判定する。本手法は,少量のトレーニングデータを活用するとともに,計算効率を保ちながら,高いセグメンテーション精度を達成し,生物学的に現実的な形態的特徴を維持できる。
論文参考訳（メタデータ） (2020-09-23T17:53:00Z)
Automatic Radish Wilt Detection Using Image Processing Based Techniques and Machine Learning Algorithm [3.4392739159262145]
本研究では,ラディッシュ作物のフッ化物検出のためのセグメンテーション法と抽出法を提案する。最近のワイト検出アルゴリズムは、画像処理技術または従来の機械学習アルゴリズムに基づいている。提案手法は,画像処理と機械学習を組み合わせたハイブリッドアルゴリズムに基づいている。
論文参考訳（メタデータ） (2020-09-01T01:37:01Z)
Towards Dense People Detection with Deep Learning and Depth images [9.376814409561726]
本稿では,1つの深度画像から複数の人物を検出するDNNシステムを提案する。我々のニューラルネットワークは深度画像を処理し、画像座標の確率マップを出力する。我々は、この戦略が効果的であることを示し、トレーニング中に使用するものと異なるシーンで動作するように一般化したネットワークを創出する。
論文参考訳（メタデータ） (2020-07-14T16:43:02Z)

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。