論文の概要: Global Wheat Head Detection (GWHD) dataset: a large and diverse dataset of high resolution RGB labelled images to develop and benchmark wheat head detection methods

• arxiv url: http://arxiv.org/abs/2005.02162v2
• Date: Tue, 30 Jun 2020 07:34:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-09 21:18:27.287148
• Title: Global Wheat Head Detection (GWHD) dataset: a large and diverse dataset of high resolution RGB labelled images to develop and benchmark wheat head detection methods
• Title（参考訳）: グローバル小麦頭部検出(GWHD)データセット:高解像度RGBラベル付き画像の多種多様なデータセットを用いて小麦頭部検出法の開発と評価
• Authors: E. David, S. Madec, P. Sadeghi-Tehran, H. Aasen, B. Zheng, S. Liu, N. Kirchgessner, G. Ishikawa, K. Nagasawa, M.A. Badhon, C. Pozniak, B. de Solan, A. Hund, S.C. Chapman, F. Baret, I. Stavness, W. Guo
• Abstract要約: いくつかの研究は、高解像度RGB画像から小麦頭部を検出する方法を開発した。 観察条件における可変性、遺伝子型の違い、発達段階、頭向きはコンピュータビジョンにおける課題を表している。 我々はGWHD(Global Wheat Head Detection)データセットという,大規模で多種多様で多彩なデータセットを構築しました。 4700枚の高解像度のRGB画像と、世界中の複数の国から収集された190,000個のラベル付き小麦頭が含まれている。
• 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: Detection of wheat heads is an important task allowing to estimate pertinent traits including head population density and head characteristics such as sanitary state, size, maturity stage and the presence of awns. Several studies developed methods for wheat head detection from high-resolution RGB imagery. They are based on computer vision and machine learning and are generally calibrated and validated on limited datasets. However, variability in observational conditions, genotypic differences, development stages, head orientation represents a challenge in computer vision. Further, possible blurring due to motion or wind and overlap between heads for dense populations make this task even more complex. Through a joint international collaborative effort, we have built a large, diverse and well-labelled dataset, the Global Wheat Head detection (GWHD) dataset. It contains 4,700 high-resolution RGB images and 190,000 labelled wheat heads collected from several countries around the world at different growth stages with a wide range of genotypes. Guidelines for image acquisition, associating minimum metadata to respect FAIR principles and consistent head labelling methods are proposed when developing new head detection datasets. The GWHD is publicly available at http://www.global-wheat.com/ and aimed at developing and benchmarking methods for wheat head detection.
• Abstract（参考訳）: コムギの頭部の検出は, 頭密度, 衛生状態, サイズ, 成熟期, 日除けの有無などの頭部特性などの関連形質を推定する上で重要な課題である。 いくつかの研究は高解像度RGB画像から小麦頭部を検出する方法を開発した。 それらはコンピュータビジョンと機械学習に基づいており、一般的に限られたデータセットに基づいて校正され、検証される。 しかし、観察条件、遺伝子型の違い、発達段階、頭部方向の変動は、コンピュータビジョンにおける課題である。 さらに、動きや風によるぼやけや人口密集地での頭部の重なりにより、この作業はさらに複雑になる。 国際共同作業を通じて、GWHD(Global Wheat Head Detection)データセットという、大きく、多様で、多種多様なデータセットを構築しました。 4700枚の高解像度RGB画像と190,000個のラベル付き小麦の頭が、様々な成長段階の様々な遺伝子型で集められている。 新しいヘッド検出データセットを開発する際に、画像取得ガイドライン、FAIR原則を尊重する最小メタデータと一貫性のあるヘッドラベリング手法を提案する。 GWHDはhttp://www.global-wheat.com/で公開されている。

関連論文リスト

• Self-supervised Fusarium Head Blight Detection with Hyperspectral Image and Feature Mining [6.252899116304227]
  フサリウムヘッドブライト(Fusarium Head Blight、FHB)は小麦(ダラムを含む)、大麦、オート麦、その他の小さな穀物、トウモロコシに深刻な菌類病である。 伝統的に、訓練された農学者や測量士は、労働集約的で非現実的でスケールが難しい手動の識別を行う。 ディープラーニングとハイパースペクトルイメージング(HSI)とリモートセンシング(RS)技術の進歩により、ディープラーニング、特にコナールニューラルネットワーク(CNN)が有望なソリューションとして登場してきた。
  論文  参考訳（メタデータ） (2024-08-31T09:09:02Z)
• GenFace: A Large-Scale Fine-Grained Face Forgery Benchmark and Cross Appearance-Edge Learning [50.7702397913573]
  フォトリアリスティック・ジェネレータの急速な進歩は、真の画像と操作された画像の相違がますます不明瞭になっている臨界点に達している。 公開されている顔の偽造データセットはいくつかあるが、偽造顔は主にGANベースの合成技術を用いて生成される。 我々は,大規模で多様できめ細かな高忠実度データセットであるGenFaceを提案し,ディープフェイク検出の進展を促進する。
  論文  参考訳（メタデータ） (2024-02-03T03:13:50Z)
• Diffusion Facial Forgery Detection [56.69763252655695]
  本稿では,顔に焦点をあてた拡散生成画像を対象とした包括的データセットであるDiFFを紹介する。 人体実験といくつかの代表的な偽造検出手法を用いて,DiFFデータセットの広範な実験を行った。 その結果、人間の観察者と自動検出者の2値検出精度は30%以下であることが判明した。
  論文  参考訳（メタデータ） (2024-01-29T03:20:19Z)
• Improving Vision Anomaly Detection with the Guidance of Language Modality [64.53005837237754]
  本稿では,マルチモーダルの観点から視覚モダリティの課題に取り組む。 本稿では,冗長な情報問題とスパース空間問題に対処するために,クロスモーダルガイダンス(CMG)を提案する。 視覚異常検出のためのよりコンパクトな潜在空間を学習するために、CMLEは言語モダリティから相関構造行列を学習する。
  論文  参考訳（メタデータ） (2023-10-04T13:44:56Z)
• Genetic InfoMax: Exploring Mutual Information Maximization in High-Dimensional Imaging Genetics Studies [50.11449968854487]
  遺伝子ワイド・アソシエーション(GWAS)は、遺伝的変異と特定の形質の関係を同定するために用いられる。 画像遺伝学の表現学習は、GWASによって引き起こされる固有の課題により、ほとんど探索されていない。 本稿では,GWAS の具体的な課題に対処するために,トランスモーダル学習フレームワーク Genetic InfoMax (GIM) を提案する。
  論文  参考訳（メタデータ） (2023-09-26T03:59:21Z)
• Wheat Head Counting by Estimating a Density Map with Convolutional Neural Networks [15.95772332799123]
  小麦は最も重要な作物の1つであり、毎年7億トンもの穀物を生産している。 本研究では,コムギの頭数推定ネットワークを3つ提案し,個々の画像から正確にコムギの頭数を推定する。 WHCNetは、小麦の頭部画像の特徴抽出のフロントエンドである畳み込みニューラルネットワーク(CNN)と、高品質な密度マップを生成するためにバックエンドのスキップ接続を備えたCNNの2つの主要コンポーネントで構成されている。
  論文  参考訳（メタデータ） (2023-03-19T02:45:53Z)
• AlignTransformer: Hierarchical Alignment of Visual Regions and Disease Tags for Medical Report Generation [50.21065317817769]
  本稿では,Align Hierarchical Attention (AHA)とMulti-Grained Transformer (MGT)モジュールを含むAlign Transformerフレームワークを提案する。 パブリックなIU-XrayとMIMIC-CXRデータセットの実験は、AlignTransformerが2つのデータセットの最先端メソッドと競合する結果が得られることを示している。
  論文  参考訳（メタデータ） (2022-03-18T13:43:53Z)
• Multi-resolution Outlier Pooling for Sorghum Classification [4.434302808728865]
  Sorghum-100データセットは,最先端のガントリーシステムによって得られたソルガムのRGB画像の大規模なデータセットである。 Dynamic Outlier Poolingと呼ばれる新しいグローバルプール戦略は、このタスクにおける標準的なグローバルプール戦略より優れています。
  論文  参考訳（メタデータ） (2021-06-10T13:57:33Z)
• WheatNet: A Lightweight Convolutional Neural Network for High-throughput Image-based Wheat Head Detection and Counting [12.735055892742647]
  本研究では,小麦頭数を正確にかつ効率的に計算し,意思決定のためのリアルタイムデータ収集を支援する新しいディープラーニングフレームワークを提案する。 モデルコムギ網とよばれ,小麦畑の幅広い環境条件において,我々のアプローチが頑健かつ正確であることを実証する。 提案手法は, 小麦頭部計数タスクにおけるMAEとRMSEの3.85と5.19をそれぞれ達成し, 他の最先端手法に比べてパラメータが有意に少ない。
  論文  参考訳（メタデータ） (2021-03-17T02:38:58Z)
• Robust Data Hiding Using Inverse Gradient Attention [82.73143630466629]
  データ隠蔽タスクでは、異なる耐久性を有するため、カバー画像の各ピクセルを別々に扱う必要がある。 Inverse Gradient Attention (IGA) を用いた新しい深層データ隠蔽方式を提案する。 実証的な実験により、提案モデルが2つの先行するデータセット上で最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2020-11-21T19:08:23Z)
• An original framework for Wheat Head Detection using Deep, Semi-supervised and Ensemble Learning within Global Wheat Head Detection (GWHD) Dataset [0.6445605125467573]
  本稿では,GWHD(Global Wheat Head Detection)データセットに適用したオブジェクト検出手法を提案する。 我々は、FasterRCNNとEfficientDetという2つの主要なオブジェクト検出アーキテクチャを経験してきた。 7か国の9か所の研究機関が主導するGWHDデータセット上で開始された研究課題を解決するために,本研究を提出した。
  論文  参考訳（メタデータ） (2020-09-24T22:58:40Z)

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。