論文の概要: Deep Neural Network Based Real-time Kiwi Fruit Flower Detection in an Orchard Environment

• arxiv url: http://arxiv.org/abs/2006.04343v1
• Date: Mon, 8 Jun 2020 03:53:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-24 02:30:15.074310
• Title: Deep Neural Network Based Real-time Kiwi Fruit Flower Detection in an Orchard Environment
• Title（参考訳）: 深部ニューラルネットワークを用いた果樹園環境におけるリアルタイムキウイフルーツフラワー検出
• Authors: JongYoon Lim, Ho Seok Ahn, Mahla Nejati, Jamie Bell, Henry Williams, Bruce A. MacDonald
• Abstract要約: 本稿では,Deep Neural Networks (DNN) を用いたキウイ果実花の検出手法を提案する。 我々は、より高速なR-CNNとシングルショット検出器(SSD)ネットの2つの最先端物体検出器について、集中的な実験とその解析を行った。 また,これらの手法を比較し,リアルタイム農業受粉ロボットシステムに適した最適モデルを求める。
• 参考スコア（独自算出の注目度）: 3.2715507847899765
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we present a novel approach to kiwi fruit flower detection using Deep Neural Networks (DNNs) to build an accurate, fast, and robust autonomous pollination robot system. Recent work in deep neural networks has shown outstanding performance on object detection tasks in many areas. Inspired this, we aim for exploiting DNNs for kiwi fruit flower detection and present intensive experiments and their analysis on two state-of-the-art object detectors; Faster R-CNN and Single Shot Detector (SSD) Net, and feature extractors; Inception Net V2 and NAS Net with real-world orchard datasets. We also compare those approaches to find an optimal model which is suitable for a real-time agricultural pollination robot system in terms of accuracy and processing speed. We perform experiments with dataset collected from different seasons and locations (spatio-temporal consistency) in order to demonstrate the performance of the generalized model. The proposed system demonstrates promising results of 0.919, 0.874, and 0.889 for precision, recall, and F1-score respectively on our real-world dataset, and the performance satisfies the requirement for deploying the system onto an autonomous pollination robotics system.
• Abstract（参考訳）: 本稿では,ディープニューラルネットワーク(dnn)を用いたキウイ果実の花検出法について,高精度で高速でロバストな自動受粉ロボットシステムを構築するための新しい手法を提案する。 ディープニューラルネットワークにおける最近の研究は、多くの領域でオブジェクト検出タスクにおいて優れたパフォーマンスを示している。 そこで本研究では, キウイ果実の花の検出にDNNを活用することを目的として, より高速なR-CNNとSingle Shot Detector (SSD) Net, および特徴抽出器であるInception Net V2とNAS Netを実世界の果樹園のデータセットで解析した。 また, リアルタイム農業用受粉ロボットシステムに適した最適モデルを求めるために, 精度と処理速度の観点から比較を行った。 一般化モデルの性能を示すために,様々な季節と場所から収集したデータセットを用いて実験を行う(spatio-temporal consistency)。 提案システムでは,実世界のデータセットでそれぞれ0.919,0.874,0.889の精度,リコール,F1スコアが期待できる結果を示した。

関連論文リスト

• Improving the Real-Data Driven Network Evaluation Model for Digital Twin Networks [0.2499907423888049]
  デジタルツインネットワーク(DTN)技術は,自律型ネットワークの基礎技術として期待されている。 DTNは、クローズドループシステムにおいて、リアルタイムに収集されたデータに基づいてネットワークを運用およびシステム化できるという利点がある。 DTNの使用を最適化するために、さまざまなAI研究と標準化作業が進行中である。
  論文  参考訳（メタデータ） (2024-05-14T09:55:03Z)
• An Improved CNN-based Neural Network Model for Fruit Sugar Level Detection [24.07349410158827]
  我々は,果実の可視/近赤外(V/NIR)スペクトルに基づいて,ニューラルネットワーク(ANN)を用いた果実糖度推定のための回帰モデルを構築した。 果実糖濃度を検出対象として,Gan Nan Navel と Tian Shan Pear の2種類の果実データを収集し,その比較実験を行った。
  論文  参考訳（メタデータ） (2023-11-18T17:07:25Z)
• How neural networks learn to classify chaotic time series [77.34726150561087]
  本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。 入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
  論文  参考訳（メタデータ） (2023-06-04T08:53:27Z)
• Fluid Batching: Exit-Aware Preemptive Serving of Early-Exit Neural Networks on Edge NPUs [74.83613252825754]
  スマートエコシステム(smart ecosystems)"は、スタンドアロンではなく、センセーションが同時に行われるように形成されています。 これはデバイス上の推論パラダイムを、エッジにニューラル処理ユニット(NPU)をデプロイする方向にシフトしている。 そこで本研究では,実行時のプリエンプションが到着・終了プロセスによってもたらされる動的性を考慮に入れた,新しい早期終了スケジューリングを提案する。
  論文  参考訳（メタデータ） (2022-09-27T15:04:01Z)
• Batch-Ensemble Stochastic Neural Networks for Out-of-Distribution Detection [55.028065567756066]
  Out-of-Distribution(OOD)検出は、機械学習モデルを現実世界のアプリケーションにデプロイすることの重要性から、マシンラーニングコミュニティから注目を集めている。 本稿では,特徴量の分布をモデル化した不確実な定量化手法を提案する。 バッチアンサンブルニューラルネットワーク(BE-SNN)の構築と機能崩壊問題の克服を目的として,効率的なアンサンブル機構,すなわちバッチアンサンブルを組み込んだ。 We show that BE-SNNs yield superior performance on the Two-Moons dataset, the FashionMNIST vs MNIST dataset, FashionM。
  論文  参考訳（メタデータ） (2022-06-26T16:00:22Z)
• Optical flow-based branch segmentation for complex orchard environments [73.11023209243326]
  シミュレーションでは、シミュレーションでは、シミュレーションされたRGBデータと光フローのみを用いてニューラルネットワークシステムを訓練する。 このニューラルネットワークは、忙しい果樹園環境において、追加の現実世界のトレーニングや、標準カメラ以外の特別な設定や機器を使用することなく、前景の枝のセグメンテーションを行うことができる。 その結果,本システムは高精度であり,手動ラベル付きRGBDデータを用いたネットワークと比較すると,トレーニングセットと異なる環境において,より一貫性と堅牢性を実現していることがわかった。
  論文  参考訳（メタデータ） (2022-02-26T03:38:20Z)
• Accelerating Multi-Objective Neural Architecture Search by Random-Weight Evaluation [24.44521525130034]
  我々は,CNNの品質を定量化するために,RWE(Random-Weight Evaluation)と呼ばれる新しい性能評価指標を導入する。 RWEは最後の層のみをトレーニングし、残りの層をランダムに重み付けする。 提案手法は,2つの実世界の探索空間における最先端性能を持つ効率的なモデルの集合を求める。
  論文  参考訳（メタデータ） (2021-10-08T06:35:20Z)
• ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked Models [56.21470608621633]
  本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。 提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。 生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
  論文  参考訳（メタデータ） (2021-05-07T11:39:05Z)
• Wireless Localisation in WiFi using Novel Deep Architectures [4.541069830146568]
  本稿では,コモディティ・チップセットと標準チャネル・サウンドによるWiFi機器の屋内位置推定について検討する。 本稿では、異なるアンテナで受信されたWiFiサブキャリアに対応するチャネル状態情報から特徴を抽出する、新しい浅層ニューラルネットワーク(SNN)を提案する。
  論文  参考訳（メタデータ） (2020-10-16T22:48:29Z)
• MS-RANAS: Multi-Scale Resource-Aware Neural Architecture Search [94.80212602202518]
  我々は,MS-RANAS(Multi-Scale Resource-Aware Neural Architecture Search)を提案する。 我々は,検索コストの削減を図るために,ワンショットのアーキテクチャ探索手法を採用した。 我々は精度-速度トレードオフの観点から最先端の結果を得る。
  論文  参考訳（メタデータ） (2020-09-29T11:56:01Z)
• Inferring Convolutional Neural Networks' accuracies from their architectural characterizations [0.0]
  CNNのアーキテクチャと性能の関係について検討する。 本稿では,2つのコンピュータビジョンに基づく物理問題において,その特性がネットワークの性能を予測できることを示す。 我々は機械学習モデルを用いて、トレーニング前にネットワークが一定のしきい値精度よりも優れた性能を発揮できるかどうかを予測する。
  論文  参考訳（メタデータ） (2020-01-07T16:41:58Z)

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。