論文の概要: Towards Practical 2D Grapevine Bud Detection with Fully Convolutional
Networks
- arxiv url: http://arxiv.org/abs/2008.11872v2
- Date: Fri, 5 Feb 2021 03:26:16 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-24 07:54:26.346433
- Title: Towards Practical 2D Grapevine Bud Detection with Fully Convolutional
Networks
- Title（参考訳）: 完全畳み込みネットワークを用いた実用的2次元ブドウ芽検出法
- Authors: Wenceslao Villegas Marset, Diego Sebasti\'an P\'erez, Carlos Ariel
D\'iaz and Facundo Bromberg
- Abstract要約: 本稿では,FCN-MN(Fully Convolutional Networks MobileNet Architecture)に基づくブドウ芽検出のためのコンピュータ手法を提案する。
FCN-MNの最良のバージョンでは、検出F1値は8.6%であった。
FCN-MNのこれらの結果は、芽数、芽面積、節間長さなどの芽の変数を十分に正確に測定する方法を論じる。
- 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: In Viticulture, visual inspection of the plant is a necessary task for
measuring relevant variables. In many cases, these visual inspections are
susceptible to automation through computer vision methods. Bud detection is one
such visual task, central for the measurement of important variables such as:
measurement of bud sunlight exposure, autonomous pruning, bud counting,
type-of-bud classification, bud geometric characterization, internode length,
bud area, and bud development stage, among others. This paper presents a
computer method for grapevine bud detection based on a Fully Convolutional
Networks MobileNet architecture (FCN-MN). To validate its performance, this
architecture was compared in the detection task with a strong method for bud
detection, Scanning Windows (SW) based on a patch classifier, showing
improvements over three aspects of detection: segmentation, correspondence
identification and localization. The best version of FCN-MN showed a detection
F1-measure of $88.6\%$ (for true positives defined as detected components whose
intersection-over-union with the true bud is above $0.5$), and false positives
that are small and near the true bud. Splits -- false positives overlapping the
true bud -- showed a mean segmentation precision of $89.3\% (21.7)$, while
false alarms -- false positives not overlapping the true bud -- showed a mean
pixel area of only $8\%$ the area of a true bud, and a distance (between mass
centers) of $1.1$ true bud diameters. The paper concludes by discussing how
these results for FCN-MN would produce sufficiently accurate measurements of
bud variables such as bud number, bud area, and internode length, suggesting a
good performance in a practical setup.
- Abstract（参考訳）: ヴィチカルチャーでは、植物を視覚的に検査することが、関連する変数を測定するために必要なタスクである。
多くの場合、これらの視覚検査はコンピュータビジョンによる自動化の影響を受けやすい。
バド検出は、バドの日光露光の測定、自律的なプルーニング、バド計数、バドの幾何分類、バド幾何学的特徴付け、ノード間長、バド領域、バド発生段階などの重要な変数の測定の中心である。
本稿では,FCN-MN (Fully Convolutional Networks MobileNet Architecture) に基づくブドウ芽検出のためのコンピュータ手法を提案する。
その性能を検証するため、このアーキテクチャは検出タスクにおいて、パッチ分類器に基づく強力なbud検出方法であるScanning Windows(SW)と比較され、セグメンテーション、通信識別、ローカライゼーションの3つの側面で改善された。
FCN-MN の最良のバージョンでは、検出 F1 は 88.6 %$(真芽との交叉が0.5ドル以上である検出成分として定義される正の値)であり、偽陽性は真芽に近い小さい。
スプリット -- 真の芽に重なる偽陽性 -- は平均セグメンテーション精度が89.3 % (21.7)$であり、偽のアラーム -- 真芽に重ならない偽陽性 -- は実芽の面積がわずか8.2 %で、質量中心間距離は1.1$の真芽径であった。
結論として,これらfcn-mnの結果がバド数,バド領域,ノード間長などのバド変数を十分に正確に測定し,実用的な設定で良好な性能を示すことを考察した。
関連論文リスト
- Uncertainty Estimation for 3D Object Detection via Evidential Learning [63.61283174146648]
本稿では,3次元検出器における鳥の視線表示における明らかな学習損失を利用して,3次元物体検出の不確かさを定量化するためのフレームワークを提案する。
本研究では,これらの不確実性評価の有効性と重要性を,分布外シーンの特定,局所化の不十分な物体の発見,および(偽陰性)検出の欠如について示す。
論文 参考訳（メタデータ） (2024-10-31T13:13:32Z) - What If the Input is Expanded in OOD Detection? [77.37433624869857]
Out-of-distriion (OOD) 検出は未知のクラスからのOOD入力を特定することを目的としている。
In-distriion(ID)データと区別するために,様々なスコアリング関数を提案する。
入力空間に異なる共通の汚職を用いるという、新しい視点を導入する。
論文 参考訳（メタデータ） (2024-10-24T06:47:28Z) - Look Around and Find Out: OOD Detection with Relative Angles [24.369626931550794]
本稿では, 分布内構造に対して計算されるOOD検出のための新しい角度に基づく計量法を提案する。
提案手法は, CIFAR-10 と ImageNet ベンチマークの最先端性能を実現し, FPR95 を 0.88% と 7.74% 削減した。
論文 参考訳（メタデータ） (2024-10-06T15:36:07Z) - Automatic Wood Pith Detector: Local Orientation Estimation and Robust Accumulation [0.0]
木材ピット検出(APD)のための完全自動化手法を提案する。
この方法は、2次元構造テンソルを用いてリングの局所的な向きを推定し、ピット位置を求める。
また,明らかなツリーリングパターンが存在しない場合に,本手法の有効性を高める変種(APD-PCL)を提案する。
論文 参考訳（メタデータ） (2024-04-02T13:47:15Z) - Towards Automatic Power Battery Detection: New Challenge, Benchmark
Dataset and Baseline [70.30473488226093]
PBD(パワーバッテリ検出)と呼ばれる新しいタスクに関する総合的研究を行う。
X線画像から高密度陰極と陽極板のエンドポイントをローカライズし、電池の品質を評価することを目的としている。
我々は,多次元協調ネットワーク(MDCNet)と呼ばれるPBDのための新しいセグメンテーションベースソリューションを提案する。
論文 参考訳（メタデータ） (2023-12-05T06:18:38Z) - A Unified BEV Model for Joint Learning of 3D Local Features and Overlap
Estimation [12.499361832561634]
本稿では,3次元局所特徴の同時学習と重なり推定のための統合鳥眼ビュー(BEV)モデルを提案する。
提案手法は,特に重複の少ないシーンにおいて,重複予測における既存手法よりも優れていた。
論文 参考訳（メタデータ） (2023-02-28T12:01:16Z) - Partial and Asymmetric Contrastive Learning for Out-of-Distribution
Detection in Long-Tailed Recognition [80.07843757970923]
既存のOOD検出手法は,トレーニングセットが長距離分布している場合,大幅な性能劣化に悩まされていることを示す。
本稿では,部分的および非対称的な教師付きコントラスト学習(PASCL)を提案する。
我々の手法は従来の最先端の手法を1.29%$, $1.45%$, $0.69%$異常検出偽陽性率(FPR)と$3.24%$, 4,.06%$, 7,89%$in-distributionで上回ります。
論文 参考訳（メタデータ） (2022-07-04T01:53:07Z) - Automatic Segmentation of Aircraft Dents in Point Clouds [0.0]
本報告では, 自動歯列検査に向けた2つの展開について報告する。
1つ目は、完全な畳み込みニューラルネットワークをトレーニングするために、デント面の合成データセットを生成する方法である。
2つ目は、3Dポイントのクラウドを2.5Dに変換する戦略だ。
論文 参考訳（メタデータ） (2022-05-03T16:48:31Z) - Out-of-distribution Detection with Deep Nearest Neighbors [33.71627349163909]
アウト・オブ・ディストリビューション(OOD)検出は、オープンな世界で機械学習モデルをデプロイするための重要なタスクである。
本稿では,OOD検出における非パラメトリック近接距離の有効性について検討する。
いくつかのベンチマークで最寄りのOOD検出の有効性を実証し,優れた性能を示す。
論文 参考訳（メタデータ） (2022-04-13T16:45:21Z) - Triggering Failures: Out-Of-Distribution detection by learning from
local adversarial attacks in Semantic Segmentation [76.2621758731288]
セグメンテーションにおけるアウト・オブ・ディストリビューション(OOD)オブジェクトの検出に取り組む。
私たちの主な貢献は、ObsNetと呼ばれる新しいOOD検出アーキテクチャであり、ローカル・アタック(LAA)に基づく専用トレーニングスキームと関連付けられています。
3つの異なるデータセットの文献の最近の10つの手法と比較して,速度と精度の両面で最高の性能が得られることを示す。
論文 参考訳（メタデータ） (2021-08-03T17:09:56Z) - On $\ell_p$-norm Robustness of Ensemble Stumps and Trees [83.81523991945018]
我々は,アンサンブルスタンプの音響検証のための効率的なプログラムベースアルゴリズムを開発した。
我々は,アンサンブル・スタンプや木を訓練するための最初の認証された防御法を,$ell_p$ノルム摂動に関して実証した。
論文 参考訳（メタデータ） (2020-08-20T03:42:40Z)
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。