論文の概要: DeepApple: Deep Learning-based Apple Detection using a Suppression Mask R-CNN

• arxiv url: http://arxiv.org/abs/2010.09870v1
• Date: Mon, 19 Oct 2020 21:07:46 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-05 21:03:34.016950
• Title: DeepApple: Deep Learning-based Apple Detection using a Suppression Mask R-CNN
• Title（参考訳）: Deep Apple:Suppression Mask R-CNNを用いたディープラーニングベースのApple検出
• Authors: Pengyu Chu, Zhaojian Li, Kyle Lammers, Renfu Lu, and Xiaoming Liu
• Abstract要約: この書簡は、Deep Appleという新しいディープラーニングベースのリンゴ検出フレームワークの開発について報告する。 まず、カラーカメラを用いて、異なる照明条件下で「ガラ」と「ブロンディー」のリンゴ果樹園の包括的なデータセットを収集する。 そこで我々は,リンゴ検出のための新しい抑制Mask R-CNNを開発した。
• 参考スコア（独自算出の注目度）: 15.58696661701869
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robotic apple harvesting has received much research attention in the past few years due to growing shortage and rising cost in labor. One key enabling technology towards automated harvesting is accurate and robust apple detection, which poses great challenges as a result of the complex orchard environment that involves varying lighting conditions and foliage/branch occlusions. This letter reports on the development of a novel deep learning-based apple detection framework named DeepApple. Specifically, we first collect a comprehensive apple orchard dataset for 'Gala' and 'Blondee' apples, using a color camera, under different lighting conditions (sunny vs. overcast and front lighting vs. back lighting). We then develop a novel suppression Mask R-CNN for apple detection, in which a suppression branch is added to the standard Mask R-CNN to suppress non-apple features generated by the original network. Comprehensive evaluations are performed, which show that the developed suppression Mask R-CNN network outperforms state-of-the-art models with a higher F1-score of 0.905 and a detection time of 0.25 second per frame on a standard desktop computer.
• Abstract（参考訳）: ロボットリンゴの収穫は、近年、不足と労働コストの上昇により、多くの研究が注目されている。 自動収穫のための重要な技術の一つは、正確で堅牢なリンゴ検出であり、様々な照明条件と葉・枝の閉塞を含む複雑な果樹環境の結果として大きな課題をもたらす。 この書簡は、deepappleという、新しいディープラーニングベースのapple検出フレームワークの開発を報告している。 具体的には, カラーカメラを用いて, 異なる照明条件(日光, オーバーキャスト, フロントライティング, バックライティング)下で, リンゴの「ガラ」と「ブロディ」のための総合的なリンゴ果樹園データセットを収集した。 次に,標準マスクr-cnnにサプレッションブランチを付加し,元のネットワークで生成された非apple機能を抑制する,apple検出のための新しいサプレッションマスクr-cnnを開発した。 総合評価を行った結果,開発したMask R-CNNネットワークは,F1スコアが0.905,検出時間が0.25秒の最先端モデルよりも優れていた。

関連論文リスト

• S$^3$AD: Semi-supervised Small Apple Detection in Orchard Environments [3.1979650133817206]
  作物検出は、自動収量推定や果物の摘みなど、精密農業用途に不可欠である。 本研究では,リンゴ検出タスクを半教師付きで再構築することで課題に対処する。 14,667個のアノテートリンゴインスタンスと4,440個の未ラベル画像からなる105個のラベル付き画像からなる、大規模で高解像度のデータセットMADを提供する。 また,小型リンゴの検出の難易度を高めるため,コンテキストアテンションと選択タイリングに基づく半スーパービジョン型小型アップル検出システムS$3$ADを提案する。
  論文  参考訳（メタデータ） (2023-11-08T21:25:27Z)
• SqueezerFaceNet: Reducing a Small Face Recognition CNN Even More Via Filter Pruning [55.84746218227712]
  我々は,100万パラメータ未満の軽量顔認識ネットワークであるSqueezerFaceNetを開発した。 性能を損なうことなく、さらに(最大40%)削減できることを示す。
  論文  参考訳（メタデータ） (2023-07-20T08:38:50Z)
• O2RNet: Occluder-Occludee Relational Network for Robust Apple Detection in Clustered Orchard Environments [10.045174456984412]
  深層学習に基づくリンゴ検出フレームワークOccluder-Occludee Comprehensive Network(O2RNet)の開発について述べる。 開発されたO2RNetは、最先端モデルよりも94%高い精度でF1スコアが0.88である。
  論文  参考訳（メタデータ） (2023-03-08T20:46:05Z)
• Self-Supervised Masked Convolutional Transformer Block for Anomaly Detection [122.4894940892536]
  本稿では, 自己監督型マスク型畳み込み変圧器ブロック (SSMCTB) について述べる。 本研究では,従来の自己教師型予測畳み込み抑止ブロック(SSPCAB)を3次元マスク付き畳み込み層,チャンネルワイドアテンション用トランスフォーマー,およびハマーロスに基づく新たな自己教師型目標を用いて拡張する。
  論文  参考訳（メタデータ） (2022-09-25T04:56:10Z)
• Localizing Small Apples in Complex Apple Orchard Environments [4.468952886990851]
  本研究では, オブジェクト提案生成システムであるAttentionMaskを適応させることにより, リンゴ全体の画像中のリンゴの局在化の問題に対処する。 AttentionMaskは、非常に小さなリンゴ用の新しいモジュールを追加するか、ティリングフレームワークに統合することで適応します。 どちらのアプローチも、MinneAppleデータセットの標準オブジェクト提案生成システムよりも明らかに優れています。
  論文  参考訳（メタデータ） (2022-02-23T09:25:37Z)
• BreakingBED -- Breaking Binary and Efficient Deep Neural Networks by Adversarial Attacks [65.2021953284622]
  CNNのホワイトボックス攻撃やブラックボックス攻撃に対する堅牢性について検討する。 結果は、蒸留されたCNN、エージェントベースの最新のprunedモデル、およびバイナライズニューラルネットワークのために示されています。
  論文  参考訳（メタデータ） (2021-03-14T20:43:19Z)
• BinaryCoP: Binary Neural Network-based COVID-19 Face-Mask Wear and Positioning Predictor on Edge Devices [63.56630165340053]
  フェイスマスクは、空気性疾患に対する双方向保護のための医療に効果的な解決策を提供する。 CNNは、顔認識と正しいマスク着用と位置決めの分類に優れたソリューションを提供する。 CNNは、企業ビル、空港、ショッピングエリア、その他の屋内場所への入り口で利用でき、ウイルスの拡散を緩和することができる。
  論文  参考訳（メタデータ） (2021-02-06T00:14:06Z)
• An Artificial Intelligence System for Combined Fruit Detection and Georeferencing, Using RTK-Based Perspective Projection in Drone Imagery [0.0]
  この研究では、商業用果樹園の空中ドローン画像からリンゴを検出してカウントする人工知能(AI)システムを紹介します。 計算コストを低減するため、ネットワークの新たな前駆的段階は、個々の木の切り抜き画像に生画像を前処理するように設計されている。 ユニークな地理空間識別子は、遠近法投影モデルを用いてこれらに割り当てられる。 実験により、より高速なR-CNNの文献に見ることのないk平均クラスタリング手法が、校正されたmAPの最も重要な改善をもたらすことが示された。
  論文  参考訳（メタデータ） (2021-01-01T23:39:55Z)
• Real-Time Apple Detection System Using Embedded Systems With Hardware Accelerators: An Edge AI Application [1.3764085113103222]
  提案した研究は、小さな物体を検出するためにYOLOv3-tinyアーキテクチャを適用した。 これは、安価で電力効率のよい組み込みハードウェアにカスタマイズされたモデルをデプロイできる可能性を示している。 提案した組込みソリューションは、無人の地上車両に展開して、リンゴの大きさを検出し、数え、測定することができる。
  論文  参考訳（メタデータ） (2020-04-28T10:40:01Z)
• Evading Deepfake-Image Detectors with White- and Black-Box Attacks [75.13740810603686]
  一般的な法医学的アプローチは、ニューラルネットワークを訓練して、実際の合成内容と区別することを示します。 我々は,既存の画像生成装置の約0.95のLOC曲線(AUC)以下の領域を達成できる最先端の分類器に関する5つの攻撃事例研究を開発した。 また、ターゲット分類器にアクセスできないブラックボックス攻撃により、AUCを0.22に削減する。
  論文  参考訳（メタデータ） (2020-04-01T17:59:59Z)
• BlendMask: Top-Down Meets Bottom-Up for Instance Segmentation [103.74690082121079]
  本研究では,インスタンスレベルの情報とセマンティックな情報と,低レベルの微細な粒度を効果的に組み合わせることで,マスク予測の改善を実現する。 私たちの主な貢献は、トップダウンとボトムアップの両方のインスタンスセグメンテーションアプローチからインスピレーションを得たブレンダーモジュールです。 BlendMaskは、非常に少ないチャネルで、ピクセルあたりの高密度な位置感受性インスタンス機能を効果的に予測し、単一の畳み込み層で各インスタンスの注意マップを学習することができる。
  論文  参考訳（メタデータ） (2020-01-02T03:30:17Z)

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。