論文の概要: Detection and Annotation of Plant Organs from Digitized Herbarium Scans using Deep Learning

• arxiv url: http://arxiv.org/abs/2007.13106v2
• Date: Fri, 31 Jul 2020 14:02:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-06 20:11:50.324118
• Title: Detection and Annotation of Plant Organs from Digitized Herbarium Scans using Deep Learning
• Title（参考訳）: 深層学習を用いた除草ハーバリウムスカンからの植物器官の検出とアノテーション
• Authors: Sohaib Younis, Marco Schmidt, Claus Weiland, Stefan Dressler, Bernhard Seeger, Thomas Hickler
• Abstract要約: 本研究では,より高速なR-CNNを用いたデジタルハーバリウム標本を用いた深層学習による植物器官の検出を行った。 実験では、6種類の植物器官に対して、数百のハーバリウムスキャンに数千の拘束箱を手動でアノテートし、植物臓器検出モデルのトレーニングと評価に使用した。
• 参考スコア（独自算出の注目度）: 0.9236074230806579
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As herbarium specimens are increasingly becoming digitized and accessible in online repositories, advanced computer vision techniques are being used to extract information from them. The presence of certain plant organs on herbarium sheets is useful information in various scientific contexts and automatic recognition of these organs will help mobilize such information. In our study we use deep learning to detect plant organs on digitized herbarium specimens with Faster R-CNN. For our experiment we manually annotated hundreds of herbarium scans with thousands of bounding boxes for six types of plant organs and used them for training and evaluating the plant organ detection model. The model worked particularly well on leaves and stems, while flowers were also present in large numbers in the sheets, but not equally well recognized.
• Abstract（参考訳）: ヘルバリウム標本がデジタル化され、オンラインリポジトリからアクセスできるようになるにつれて、高度なコンピュータビジョン技術がそれらから情報を抽出するために使用されている。 ハーバリウムシート上の特定の植物器官の存在は、様々な科学的文脈において有用な情報であり、これらの臓器の自動認識は、そのような情報の動員に役立つ。 本研究では,より高速なr-cnnを用いて,植物器官の検出に深層学習を用いる。 実験では,6種類の植物器官に何千ものバウンディングボックスを含む数百のエルバリウムスキャンを手作業で注釈し,植物器官検出モデルの訓練と評価に用いた。 モデルは葉や茎で特にうまく機能し、花はシートに多く含まれていたが、同様に認識されなかった。

関連論文リスト

• A Novel Feature Extraction Model for the Detection of Plant Disease from Leaf Images in Low Computational Devices [2.1990652930491854]
  提案手法は,葉のイメージから頑健で識別可能な特徴を抽出するために,様々なタイプのディープラーニング技術を統合する。 このデータセットには、10種類のトマト病と1種類の健康な葉から1万枚の葉の写真が含まれています。 AlexNetの精度スコアは87%で、高速で軽量であり、組み込みシステムでの使用に適している。
  論文  参考訳（メタデータ） (2024-10-01T19:32:45Z)
• IndoHerb: Indonesia Medicinal Plants Recognition using Transfer Learning and Deep Learning [1.8499314936771563]
  本研究は,コンボリューショナルニューラルネットワーク(CNN)の導入を通じてインドネシアの草本植物を分類する課題に対処する。 厳密なデータ前処理と5つの異なるモデルを用いた移動学習手法を用いた分類を行った。 包括的な分析の結果、ConvNeXtは92.5%の精度で最高の精度を達成した。
  論文  参考訳（メタデータ） (2023-08-03T08:16:55Z)
• ChemVise: Maximizing Out-of-Distribution Chemical Detection with the Novel Application of Zero-Shot Learning [60.02503434201552]
  本研究は,簡単な学習セットから複雑な露光の学習近似を提案する。 合成センサ応答に対するこのアプローチは, 分布外の化学分析物の検出を驚くほど改善することを示した。
  論文  参考訳（メタデータ） (2023-02-09T20:19:57Z)
• 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)
• Measures of Information Reflect Memorization Patterns [53.71420125627608]
  異なるニューロンの活性化パターンの多様性は、モデル一般化と記憶の反映であることを示す。 重要なことは、情報組織が記憶の2つの形態を指していることである。
  論文  参考訳（メタデータ） (2022-10-17T20:15:24Z)
• Transfer Learning with Deep Tabular Models [66.67017691983182]
  上流データにより、グラフニューラルネットワークはGBDTモデルよりも決定的な優位性を示す。 そこで本研究では,表在化学習のための現実的な診断ベンチマークを提案する。 上流と下流の特徴セットが異なる場合の擬似特徴法を提案する。
  論文  参考訳（メタデータ） (2022-06-30T14:24:32Z)
• A workflow for segmenting soil and plant X-ray CT images with deep learning in Googles Colaboratory [45.99558884106628]
  我々はX線マイクロCT画像に畳み込みニューラルネットワークを適用するためのモジュラーワークフローを開発した。 クルミの葉, アーモンドの花芽, 土壌集合体のサンプルスキャンを用いて, 最適な結果を得るために, パラメータを最適化する方法を示す。
  論文  参考訳（メタデータ） (2022-03-18T00:47:32Z)
• Application of Computer Vision and Machine Learning for Digitized Herbarium Specimens: A Systematic Literature Review [0.0]
  エルバリウムには数百万の標本があり、科学研究のために数年間保存されている。 これらの標本のデジタル化は現在、より広い科学コミュニティへのデータのアクセスと共有を容易にするために進められている。 IDigBioやGBIFなどのオンラインデジタルレポジトリは、まだ調査されていない数百万のサンプル画像を蓄積している。 機械学習とコンピュータビジョンを使って、より新しい発見を自動化し、スピードアップするのに最適なタイミングを提供する。
  論文  参考訳（メタデータ） (2021-04-18T06:08:51Z)
• A Survey of Deep Learning Techniques for Weed Detection from Images [4.96981595868944]
  既存の深層学習に基づく雑草検出・分類手法を検討する。 その結果,ほとんどの研究が教師あり学習手法を適用し,高い分類精度を達成した。 過去の実験は、大量のラベル付きデータが利用できる場合に既に高い精度を達成している。
  論文  参考訳（メタデータ） (2021-03-02T02:02:24Z)
• A Review of Visual Descriptors and Classification Techniques Used in Leaf Species Identification [0.0]
  植物学における主要な研究分野は、植物種同定、高スペクトル画像を用いた雑草分類、植物の健康状態のモニタリング、葉の生長の追跡、葉情報の意味論的解釈などである。 植物学者は、葉の形状、先端、基部、葉の縁、葉の静脈、葉のテクスチャと複合葉の葉の配置を区別することで、植物種を識別し易い。 特定の種、それらに影響を与える病気、葉の成長パターンなどを精査するために、葉を認識して特徴付けるインテリジェントなシステムが必要である。
  論文  参考訳（メタデータ） (2020-09-13T14:11:00Z)
• Two-View Fine-grained Classification of Plant Species [66.75915278733197]
  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。
  論文  参考訳（メタデータ） (2020-05-18T21:57:47Z)

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。