Fugu-MT 論文翻訳(概要): Crop and weed classification based on AutoML

論文の概要: Crop and weed classification based on AutoML

arxiv url: http://arxiv.org/abs/2010.14708v2
Date: Mon, 28 Mar 2022 07:59:27 GMT
ステータス: 処理完了
システム内更新日: 2022-10-02 04:35:07.276690
Title: Crop and weed classification based on AutoML
Title（参考訳）: AutoMLに基づく作物と雑草の分類
Authors: Xuetao Jiang, Binbin Yong, Soheila Garshasbi, Jun Shen, Meiyu Jiang and Qingguo Zhou
Abstract要約: CNNモデルは、文献に報告されている95%以上の精度で作物と雑草の分類において、すでに重要な役割を担っている。本稿では,作物と雑草の分類に新たな目的関数を付加した自律型機械学習を適用し,精度の向上と農作物の伐採率の低下を図った。
参考スコア（独自算出の注目度）: 2.1300809288243188
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: CNN models already play an important role in classification of crop and weed with high accuracy, more than 95% as reported in literature. However, to manually choose and fine-tune the deep learning models becomes laborious and indispensable in most traditional practices and research. Moreover, the classic objective functions are not thoroughly compatible with agricultural farming tasks as the corresponding models suffer from misclassifying crop to weed, often more likely than in other deep learning application domains. In this paper, we applied autonomous machine learning with a new objective function for crop and weed classification, achieving higher accuracy and lower crop killing rate (rate of identifying a crop as a weed). The experimental results show that our method outperforms state-of-the-art applications, for example, ResNet and VGG19.
Abstract（参考訳）: CNNモデルは、文献に報告されている95%以上の精度で作物と雑草の分類において、すでに重要な役割を担っている。しかし、手動でディープラーニングモデルを選択・微調整するには、多くの伝統的なプラクティスや研究で苦労し、不可欠になります。さらに、従来の目的関数は農耕作業と完全に互換性がないため、対応するモデルが雑草の種別を間違えることに苦しむ。本稿では,作物と雑草の分類に新たな目的関数を付加した自律型機械学習を適用し,より精度が高く,農作物を雑草として識別する速度)の低下を図った。実験の結果,提案手法はResNetやVGG19といった最先端アプリケーションよりも優れていることがわかった。

関連論文リスト

Cannabis Seed Variant Detection using Faster R-CNN [0.0]
本稿では,現在最先端のオブジェクト検出モデルであるFaster R-CNNを用いて,大麻種子の変種検出について検討する。タイの大麻種子データセットに,17種類の異なるクラスからなるモデルを実装した。各種測定値のパフォーマンスを比較し,mAPスコア94.08%,F1スコア95.66%を達成して,より高速な6つのR-CNNモデルを評価する。
論文参考訳（メタデータ） (2024-03-15T22:49:47Z)
Enhancing crop classification accuracy by synthetic SAR-Optical data generation using deep learning [0.0]
農業地域では、優占作物は典型的には1種または2種であり、他の作物は少ない。農作物の地図を作成するためにトレーニングサンプルを集める際には、支配的な作物からのサンプルが多数存在し、多数派を形成している。提案手法は, マイノリティクラスにおけるサンプル数を大幅に増加させることができる, 高品質な合成データを生成することを実証した。
論文参考訳（メタデータ） (2024-02-03T11:07:50Z)
A Saliency-based Clustering Framework for Identifying Aberrant Predictions [49.1574468325115]
本稿では, 異常予測の概念を導入し, 分類誤差の性質が頻度と同じくらい重要であることを強調した。本稿では,誤分類率の低減と異常予測の識別を両立する,新しい,効率的なトレーニング手法を提案する。本手法を獣医学の分野である獣医学の分野に応用し, 被曝率は高いが, 人体医学に比べて広く研究されていない。
論文参考訳（メタデータ） (2023-11-11T01:53:59Z)
Generative models-based data labeling for deep networks regression: application to seed maturity estimation from UAV multispectral images [3.6868861317674524]
種子の成熟度モニタリングは、気候変動とより制限的な慣行による農業における課題の増加である。従来の手法は、フィールドでの限られたサンプリングと実験室での分析に基づいている。マルチスペクトルUAV画像を用いたパセリ種子の成熟度推定手法の提案と,自動ラベリングのための新しいアプローチを提案する。
論文参考訳（メタデータ） (2022-08-09T09:06:51Z)
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)
Facilitated machine learning for image-based fruit quality assessment in developing countries [68.8204255655161]
自動画像分類は食品科学における教師あり機械学習の一般的な課題である。事前学習型視覚変換器(ViT)に基づく代替手法を提案する。標準的なデバイス上で限られたリソースで簡単に実装できる。
論文参考訳（メタデータ） (2022-07-10T19:52:20Z)
Performance Evaluation of Deep Transfer Learning on Multiclass Identification of Common Weed Species in Cotton Production Systems [3.427330019009861]
本稿では,アメリカ南部の綿花生産システムに特有の雑草を同定するために,DTL(Deep Transfer Learning)を総合的に評価する。自然光条件および雑草生育段階の異なる15種類の雑草群5187色画像からなる雑草識別用データセットを作成した。 DTLはF1スコアの高い分類精度を95%以上達成し、モデル間でのトレーニング時間(2.5時間未満)を合理的に短縮する必要があった。
論文参考訳（メタデータ） (2021-10-11T01:51:48Z)
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)
ALT-MAS: A Data-Efficient Framework for Active Testing of Machine Learning Algorithms [58.684954492439424]
少量のラベル付きテストデータのみを用いて機械学習モデルを効率的にテストする新しいフレームワークを提案する。ベイズニューラルネットワーク(bnn)を用いたモデルアンダーテストの関心指標の推定が目的である。
論文参考訳（メタデータ） (2021-04-11T12:14:04Z)
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)
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。