論文の概要: Unsupervised Domain Adaptation For Plant Organ Counting

• arxiv url: http://arxiv.org/abs/2009.01081v1
• Date: Wed, 2 Sep 2020 13:57:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-22 19:29:02.732842
• Title: Unsupervised Domain Adaptation For Plant Organ Counting
• Title（参考訳）: 植物組織計数のための教師なしドメイン適応
• Authors: Tewodros Ayalew, Jordan Ubbens, Ian Stavness
• Abstract要約: イメージベース植物表現型解析のための植物器官の計数はこのカテゴリに該当する。 本稿では,密度マップ推定の領域適応のための領域適応型学習手法を提案する。
• 参考スコア（独自算出の注目度）: 12.424350934766704
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Supervised learning is often used to count objects in images, but for counting small, densely located objects, the required image annotations are burdensome to collect. Counting plant organs for image-based plant phenotyping falls within this category. Object counting in plant images is further challenged by having plant image datasets with significant domain shift due to different experimental conditions, e.g. applying an annotated dataset of indoor plant images for use on outdoor images, or on a different plant species. In this paper, we propose a domain-adversarial learning approach for domain adaptation of density map estimation for the purposes of object counting. The approach does not assume perfectly aligned distributions between the source and target datasets, which makes it more broadly applicable within general object counting and plant organ counting tasks. Evaluation on two diverse object counting tasks (wheat spikelets, leaves) demonstrates consistent performance on the target datasets across different classes of domain shift: from indoor-to-outdoor images and from species-to-species adaptation.
• Abstract（参考訳）: 教師付き学習は画像中のオブジェクトを数えるのによく使われるが、小さくて密度の高いオブジェクトを数えるには、必要な画像アノテーションを収集するのは負担がかかる。 イメージベース植物表現型のための植物器官の計数はこのカテゴリに分類される。 植物画像のオブジェクトカウントは、例えば、屋内植物画像の注釈付きデータセットを屋外画像や異なる植物種に応用するなど、異なる実験条件により、大きなドメインシフトを持つ植物画像データセットを持つことによって、さらに課題となる。 本稿では,オブジェクト数を目的とし,密度マップ推定の領域適応化のためのドメイン逆学習手法を提案する。 このアプローチでは、ソースとターゲットデータセット間の完全に整合した分布を前提としないため、一般的なオブジェクトカウントや植物器官カウントタスクに広く適用できる。 2つの多様なオブジェクトカウントタスク(wheat spikelets、leafs)の評価は、屋内から外へのイメージから種から種への適応まで、さまざまなドメインシフトのクラスにわたるターゲットデータセットで一貫したパフォーマンスを示す。

関連論文リスト

• Improving Data Efficiency for Plant Cover Prediction with Label Interpolation and Monte-Carlo Cropping [7.993547048820065]
  植物群落の組成は環境変化の重要な指標であり、通常生態学的研究で分析される。 本稿では,収集した植生計画時系列のスパースラベルを中間密度・未ラベル画像に補間する手法を提案する。 また,高解像度画像の処理を効率的に行うため,モンテカルロ・クロッピングと呼ばれる新しい手法を導入する。
  論文  参考訳（メタデータ） (2023-07-17T15:17:39Z)
• Inside Out: Transforming Images of Lab-Grown Plants for Machine Learning Applications in Agriculture [0.0]
  我々は,室内の植物像をフィールド画像として解釈するために,コントラッシブ・アンペア変換 (CUT) 生成敵ネットワーク (GAN) を用いる。 我々は,1つの植物のみを含むイメージを翻訳するようにネットワークを訓練する一方で,複数の植物野画像を生成するために容易に拡張可能であることを示す。 また, 人工マルチプラント画像を用いて, いくつかのYoloV5ナノオブジェクト検出モデルを訓練し, 植物検出を行う。
  論文  参考訳（メタデータ） (2022-11-05T20:51:45Z)
• LEAD: Self-Supervised Landmark Estimation by Aligning Distributions of Feature Similarity [49.84167231111667]
  自己監督型ランドマーク検出における既存の研究は、画像から高密度(ピクセルレベルの)特徴表現を学習することに基づいている。 自己教師付き方式で高密度同変表現の学習を強化するアプローチを提案する。 機能抽出器にそのような先行性があることは,アノテーションの数が大幅に制限されている場合でも,ランドマーク検出に役立ちます。
  論文  参考訳（メタデータ） (2022-04-06T17:48:18Z)
• Self-Supervised Leaf Segmentation under Complex Lighting Conditions [14.290827361756108]
  葉のセグメンテーションはイメージベース植物表現において必須の前提条件である。 本稿では,自己教師付きセマンティックセマンティックセマンティクスモデル,色に基づくリーフセマンティクスアルゴリズム,および自己教師型色補正モデルからなる自己教師型リーフセマンティクスフレームワークを提案する。 異なる植物種のデータセットに対する実験結果は、提案された自己管理フレームワークの可能性を示している。
  論文  参考訳（メタデータ） (2022-03-29T22:59:02Z)
• A Simple and Effective Use of Object-Centric Images for Long-Tailed Object Detection [56.82077636126353]
  シーン中心画像における物体検出を改善するために,物体中心画像を活用する。 私たちは、シンプルで驚くほど効果的なフレームワークを提示します。 我々の手法は、レアオブジェクトのオブジェクト検出(およびインスタンスセグメンテーション)の精度を相対的に50%(および33%)向上させることができる。
  論文  参考訳（メタデータ） (2021-02-17T17:27:21Z)
• Instance Localization for Self-supervised Detection Pretraining [68.24102560821623]
  インスタンスローカリゼーションと呼ばれる,新たな自己監視型プリテキストタスクを提案する。 境界ボックスを事前学習に組み込むことで、より優れたタスクアライメントとアーキテクチャアライメントが促進されることを示す。 実験結果から, オブジェクト検出のための最先端の転送学習結果が得られた。
  論文  参考訳（メタデータ） (2021-02-16T17:58:57Z)
• DoFE: Domain-oriented Feature Embedding for Generalizable Fundus Image Segmentation on Unseen Datasets [96.92018649136217]
  対象ドメインに対するCNNの一般化能力を向上させるために,新しいドメイン指向特徴埋め込み(DoFE)フレームワークを提案する。 私たちのDoFEフレームワークは、マルチソースドメインから学んだ追加のドメイン事前知識で、画像機能を動的に強化します。 本フレームワークは、未確認データセットのセグメンテーション結果を満足して生成し、他の領域の一般化やネットワークの正規化手法を超越する。
  論文  参考訳（メタデータ） (2020-10-13T07:28:39Z)
• AutoCount: Unsupervised Segmentation and Counting of Organs in Field Images [11.976801748296403]
  植物器官などの密集物を数えるための,教師なしの手法を提案する。 我々は、畳み込みネットワークに基づく教師なしセグメンテーション法と、ポストホック最適化の2つのステップを用いる。 提案手法は,ソルガム (S. bicolor) とコムギ (T. aestivum) の臓器計数作業において,データセット依存のチューニングや修正を伴わない競争的カウント性能を提供する。
  論文  参考訳（メタデータ） (2020-07-17T18:27:47Z)
• 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)
• Deep Transfer Learning For Plant Center Localization [19.322420819302263]
  本稿では,無人航空機(UAV)を用いたRGB空中画像を用いた畑型作物の立地推定手法について検討する。 深層学習アプローチは、RGB画像で観察された植物を探索するために有望な能力を提供するが、トレーニングには大量のラベル付きデータ(地上真実)を必要とする。 そこで本研究では,限定的な地上真実データを用いて,既存モデルを新たなシナリオに移行することにより,プラント中心の推定手法を提案する。
  論文  参考訳（メタデータ） (2020-04-29T06:29:49Z)
• Phase Consistent Ecological Domain Adaptation [76.75730500201536]
  意味的セグメンテーション(意味的セグメンテーション)の課題に焦点をあてる。そこでは、注釈付き合成データが多用されるが、実際のデータへのアノテートは困難である。 視覚心理学に触発された最初の基準は、2つの画像領域間の地図が位相保存であることである。 第2の基準は、照明剤や撮像センサーの特性に関わらず、その画像に現れる環境統計、またはシーン内の規則を活用することを目的としている。
  論文  参考訳（メタデータ） (2020-04-10T06:58:03Z)

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。