論文の概要: Two-View Fine-grained Classification of Plant Species

• arxiv url: http://arxiv.org/abs/2005.09110v2
• Date: Mon, 4 Oct 2021 17:51:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-01 23:02:30.124486
• Title: Two-View Fine-grained Classification of Plant Species
• Title（参考訳）: 植物種の2次元きめ細かい分類
• Authors: Voncarlos M. Araujo, Alceu S. Britto Jr., Luiz E. S. Oliveira and Alessandro L. Koerich
• Abstract要約: 本研究では,2視点の葉のイメージ表現に基づく新しい手法と,植物種の粒度認識のための階層的分類戦略を提案する。 シームズ畳み込みニューラルネットワークに基づく深度測定は、多数のトレーニングサンプルへの依存を減らし、新しい植物種に拡張性を持たせるために用いられる。
• 参考スコア（独自算出の注目度）: 66.75915278733197
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automatic plant classification is a challenging problem due to the wide biodiversity of the existing plant species in a fine-grained scenario. Powerful deep learning architectures have been used to improve the classification performance in such a fine-grained problem, but usually building models that are highly dependent on a large training dataset and which are not scalable. In this paper, we propose a novel method based on a two-view leaf image representation and a hierarchical classification strategy for fine-grained recognition of plant species. It uses the botanical taxonomy as a basis for a coarse-to-fine strategy applied to identify the plant genus and species. The two-view representation provides complementary global and local features of leaf images. A deep metric based on Siamese convolutional neural networks is used to reduce the dependence on a large number of training samples and make the method scalable to new plant species. The experimental results on two challenging fine-grained datasets of leaf images (i.e. LifeCLEF 2015 and LeafSnap) have shown the effectiveness of the proposed method, which achieved recognition accuracy of 0.87 and 0.96 respectively.
• Abstract（参考訳）: 植物の自動分類は, 既存の植物種が細粒度で多様な生物多様性を有するため, 難しい課題である。 強力なディープラーニングアーキテクチャは、このようなきめ細かな問題において分類性能を改善するために使われてきたが、通常、大規模なトレーニングデータセットに依存し、スケーラブルでないモデルを構築する。 本稿では,2視点の葉のイメージ表現に基づく新しい手法と,植物種の粒度認識のための階層的分類手法を提案する。 植物分類学は、植物種と種を特定するために適用される粗大な戦略の基礎として用いられる。 2視点表現はリーフ画像の全体的および局所的な特徴を補完するものである。 siamese convolutional neural networksに基づくディープメトリックは、多数のトレーニングサンプルへの依存性を低減し、新しい植物種にスケーラブルな方法を提供するために使用される。 葉のきめ細かい2つのデータセット(LifeCLEF 2015とLeafSnap)による実験結果から,それぞれ0.87と0.96の認識精度が得られた。

関連論文リスト

• Fine-grained Recognition with Learnable Semantic Data Augmentation [68.48892326854494]
  きめ細かい画像認識は、長年続くコンピュータビジョンの課題である。 本稿では,識別領域損失問題を軽減するため,特徴レベルのトレーニングデータを多様化することを提案する。 本手法は,いくつかの人気分類ネットワーク上での一般化性能を著しく向上させる。
  論文  参考訳（メタデータ） (2023-09-01T11:15:50Z)
• Few-Shot Learning Enables Population-Scale Analysis of Leaf Traits in Populus trichocarpa [1.9089478605920305]
  この研究は、(i)最小のトレーニングデータを必要とする高速で正確な画像ベースの特徴抽出のための方法と、(ii)68種類の葉の表現型を含む新しい集団規模のデータセットを、ドメイン科学者や機械学習研究者向けに植物表現型コミュニティに提供するように設計されている。 数発の学習コード、データ、結果はすべて公開されています。
  論文  参考訳（メタデータ） (2023-01-24T23:40:01Z)
• Semantic Image Segmentation with Deep Learning for Vine Leaf Phenotyping [59.0626764544669]
  本研究では,ブドウの葉のイメージを意味的にセグメント化するためにDeep Learning法を用いて,葉の表現型自動検出システムを開発した。 私たちの研究は、成長や開発のような動的な特性を捉え定量化できる植物ライフサイクルのモニタリングに寄与します。
  論文  参考訳（メタデータ） (2022-10-24T14:37:09Z)
• Multi-Domain Few-Shot Learning and Dataset for Agricultural Applications [0.0]
  そこで本研究では,いくつかのサンプルから異なる害虫,植物,その病原体を自動分類する手法を提案する。 埋め込みを生成する機能抽出器を学習し、Transformerを使って埋め込みを更新する。 モデル全体を包括的に解析するために42の実験を行い、画像分類ベンチマークで最大14%と24%のパフォーマンス向上を達成した。
  論文  参考訳（メタデータ） (2021-09-21T04:20:18Z)
• An Effective Leaf Recognition Using Convolutional Neural Networks Based Features [1.137457877869062]
  本稿では,葉の認識に有効な手法を提案する。 葉はいくつかの前処理を経て、精製された色画像、静脈像、xy投影ヒストグラム、手作りの形状、テクスチャの特徴、フーリエディスクリプタを抽出する。 これらの属性は、サポートベクターマシン(SVM)モデルを使用して異なる葉を分類する前に、ニューラルネットワークベースのエンコーダによってより良い表現に変換される。
  論文  参考訳（メタデータ） (2021-08-04T02:02:22Z)
• Few-shot Classification via Adaptive Attention [93.06105498633492]
  ごく少数の参照サンプルに基づいて,クエリサンプル表現を最適化し,高速に適応する新しい数ショット学習手法を提案する。 実験で実証したように,提案モデルでは,様々なベンチマーク数ショット分類と微粒化認識データセットを用いて,最先端の分類結果を達成している。
  論文  参考訳（メタデータ） (2020-08-06T05:52:59Z)
• Solving Long-tailed Recognition with Deep Realistic Taxonomic Classifier [68.38233199030908]
  ロングテール認識は、現実世界のシナリオにおける自然な非一様分散データに取り組む。 モダンは人口密度の高いクラスではうまく機能するが、そのパフォーマンスはテールクラスでは著しく低下する。 Deep-RTCは、リアリズムと階層的予測を組み合わせたロングテール問題の新しい解法として提案されている。
  論文  参考訳（メタデータ） (2020-07-20T05:57:42Z)
• How useful is Active Learning for Image-based Plant Phenotyping? [7.056477977834818]
  本研究では,ディープラーニングモデルに必要なラベル付け量を削減し,予測性能を向上する能動的学習アルゴリズムを提案する。 アクティブラーニング手法は, 取得関数を用いてアノテートするサンプルを適応的に選択し, 固定ラベル付予算下での最大(分類)性能を実現する。 固定ラベル付け予算では、アクティブな学習ベースの獲得戦略を持つディープラーニングモデルの分類性能が、両方のデータセットに対するランダムサンプリングベースの獲得よりも優れていることが観察された。
  論文  参考訳（メタデータ） (2020-06-07T20:32:42Z)
• Scalable learning for bridging the species gap in image-based plant phenotyping [2.208242292882514]
  ディープラーニング(データ収集、注釈付け、トレーニング)を適用する従来のパラダイムは、イメージベースの植物表現には適用できない。 データコストには、物理的サンプルの育成、イメージングとラベル付けが含まれる。 モデル性能は、各植物種のドメイン間の種間ギャップによって影響を受ける。
  論文  参考訳（メタデータ） (2020-03-24T10:26:40Z)
• Rectified Meta-Learning from Noisy Labels for Robust Image-based Plant Disease Diagnosis [64.82680813427054]
  植物病は食料安全保障と作物生産に対する主要な脅威の1つである。 1つの一般的なアプローチは、葉画像分類タスクとしてこの問題を変換し、強力な畳み込みニューラルネットワーク(CNN)によって対処できる。 本稿では,正規化メタ学習モジュールを共通CNNパラダイムに組み込んだ新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-17T09:51:30Z)

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。