論文の概要: Pollen13K: A Large Scale Microscope Pollen Grain Image Dataset

• arxiv url: http://arxiv.org/abs/2007.04690v1
• Date: Thu, 9 Jul 2020 10:33:31 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-12 04:43:01.539509
• Title: Pollen13K: A Large Scale Microscope Pollen Grain Image Dataset
• Title（参考訳）: Pollen13K: 大規模な顕微鏡ポーレングラインド画像データセット
• Authors: Sebastiano Battiato, Alessandro Ortis, Francesca Trenta, Lorenzo Ascari, Mara Politi, Consolata Siniscalco
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 63.05335933454068
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pollen grain classification has a remarkable role in many fields from medicine to biology and agronomy. Indeed, automatic pollen grain classification is an important task for all related applications and areas. This work presents the first large-scale pollen grain image dataset, including more than 13 thousands objects. After an introduction to the problem of pollen grain classification and its motivations, the paper focuses on the employed data acquisition steps, which include aerobiological sampling, microscope image acquisition, object detection, segmentation and labelling. Furthermore, a baseline experimental assessment for the task of pollen classification on the built dataset, together with discussion on the achieved results, is presented.
• Abstract（参考訳）: 花粉の分類は医学から生物学、農業まで多くの分野において顕著な役割を担っている。 実際、花粉の自動分類は、関連するすべてのアプリケーションや領域にとって重要な課題である。 この研究は、13万以上のオブジェクトを含む、最初の大規模な花粉粒画像データセットを提示している。 花粉の粒度分類の問題とその動機について紹介した後,本論文では,大気学的サンプリング,顕微鏡画像取得,物体検出,セグメンテーション,ラベリングなどのデータ取得手順に注目した。 さらに, 構築したデータセットにおける花粉分類のタスクに関する基礎実験評価を行い, 得られた結果について考察した。

関連論文リスト

• An annotated grain kernel image database for visual quality inspection [15.134345284413683]
  本稿では,穀物カーネルの視覚的品質検査を目的としたマシンビジョンベースデータベースGrainSetを提案する。 データベースには、専門家の注釈付き350K以上のシングルカーネルイメージが含まれている。
  論文  参考訳（メタデータ） (2023-11-20T17:11:00Z)
• Multi-task Explainable Skin Lesion Classification [54.76511683427566]
  少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。 提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
  論文  参考訳（メタデータ） (2023-10-11T05:49:47Z)
• Aphid Cluster Recognition and Detection in the Wild Using Deep Learning Models [17.65292847038642]
  アフィドの寄生は作物生産、農村社会、世界の食料安全保障に重大な脅威をもたらす。 本稿では,アフィドクラスタの検出にディープラーニングモデルを用いることに主眼を置いている。 そこで本研究では,アフィドクラスターの検出により感染レベルを推定する手法を提案する。
  論文  参考訳（メタデータ） (2023-08-10T23:53:07Z)
• A New Dataset and Comparative Study for Aphid Cluster Detection [17.65292847038642]
  アフィドは作物、農村の家族、そして世界の食料安全保障に対する主要な脅威の1つである。 アフィドの感染を正確に特定し レベルを推定することは 農薬の正確な局所的応用に 不可欠です 我々は,ソリガムフィールドで何百万枚もの画像を撮影し,手動でアフィドを含む5,447枚の画像を選択し,画像中の各アフィドクラスタに注釈を付けた。
  論文  参考訳（メタデータ） (2023-07-12T05:49:21Z)
• 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)
• 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)
• Principal component-based image segmentation: a new approach to outline in vitro cell colonies [0.0]
  探索されたコロニーを特徴付け,抽出し,セグメンテーションすることで問題を修正するための,客観的かつ多目的な機械学習手法を提案する。 提案するセグメンテーションアルゴリズムは,人間の観察者による手動計測と同様の品質を示した。
  論文  参考訳（メタデータ） (2021-03-10T12:37:51Z)
• Pollen Grain Microscopic Image Classification Using an Ensemble of Fine-Tuned Deep Convolutional Neural Networks [2.824133171517646]
  花粉の微粒化を4つのカテゴリに分類するためのアンサンブル手法を提案する。 我々は、4つの最先端の微調整畳み込みニューラルネットワークの融合に基づく分類戦略を開発する。 我々は、ICPR 2020 Pollen Grain Classification Challengeトレーニングデータセットで94.48%の精度と重み付きF1スコア94.54%を得る。
  論文  参考訳（メタデータ） (2020-11-15T01:25:46Z)
• Automatic image-based identification and biomass estimation of invertebrates [70.08255822611812]
  時間を要する分類と分類は、どれだけの昆虫を処理できるかに強い制限を課す。 我々は、人間の専門家による分類と識別の標準的な手動アプローチを、自動画像ベース技術に置き換えることを提案する。 分類タスクには最先端のResnet-50とInceptionV3 CNNを使用する。
  論文  参考訳（メタデータ） (2020-02-05T21:38:57Z)

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。