論文の概要: YieldNet: A Convolutional Neural Network for Simultaneous Corn and
Soybean Yield Prediction Based on Remote Sensing Data
- arxiv url: http://arxiv.org/abs/2012.03129v2
- Date: Thu, 4 Mar 2021 18:10:16 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-22 12:09:23.365539
- Title: YieldNet: A Convolutional Neural Network for Simultaneous Corn and
Soybean Yield Prediction Based on Remote Sensing Data
- Title(参考訳): YieldNet:リモートセンシングデータに基づくコーンと大豆の同時収量予測のための畳み込みニューラルネットワーク
- Authors: Saeed Khaki, Hieu Pham and Lizhi Wang
- Abstract要約: 本稿では,複数作物の収量を予測するモデルYieldNetを提案し,同時に複数作物の収量間の相互作用を考察する。
その結果,提案手法は収穫前1~4ヶ月の収穫量を正確に予測し,他の最先端手法と競合することを示した。
- 参考スコア(独自算出の注目度): 14.312926581466852
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large scale crop yield estimation is, in part, made possible due to the
availability of remote sensing data allowing for the continuous monitoring of
crops throughout its growth state. Having this information allows stakeholders
the ability to make real-time decisions to maximize yield potential. Although
various models exist that predict yield from remote sensing data, there
currently does not exist an approach that can estimate yield for multiple crops
simultaneously, and thus leads to more accurate predictions. A model that
predicts yield of multiple crops and concurrently considers the interaction
between multiple crop's yield. We propose a new model called YieldNet which
utilizes a novel deep learning framework that uses transfer learning between
corn and soybean yield predictions by sharing the weights of the backbone
feature extractor. Additionally, to consider the multi-target response
variable, we propose a new loss function. Numerical results demonstrate that
our proposed method accurately predicts yield from one to four months before
the harvest, and is competitive to other state-of-the-art approaches.
- Abstract(参考訳): 大規模作物収量の推定は、その成長状態を通じて作物の連続的な監視を可能にするリモートセンシングデータの提供によって可能になった。
この情報を持つことで、利害関係者は利回りポテンシャルを最大化するためにリアルタイムの意思決定ができる。
リモートセンシングデータから収量を予測する様々なモデルが存在するが、現在では複数の作物の収量を同時に推定できるアプローチは存在しないため、より正確な予測につながる。
複数の作物の収量を予測し、複数の作物の収量間の相互作用を同時に考慮するモデル。
本稿では,背骨特徴抽出器の重みを共用することにより,トウモロコシと大豆の収量予測の伝達学習を利用する新しいディープラーニングフレームワークである yieldnet を用いた新しいモデルを提案する。
さらに,マルチターゲット応答変数を検討するために,新しい損失関数を提案する。
その結果,提案手法は収穫の1~4か月前の収量を正確に予測でき,他の最先端手法と競合することがわかった。
関連論文リスト
- Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。
我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。
カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
論文 参考訳(メタデータ) (2024-02-19T02:08:09Z) - Deep Ensembles Meets Quantile Regression: Uncertainty-aware Imputation
for Time Series [49.992908221544624]
時系列データは、しばしば多くの欠落した値を示し、これは時系列計算タスクである。
従来の深層学習法は時系列計算に有効であることが示されている。
本研究では,不確実性のある高精度な計算を行う非生成時系列計算法を提案する。
論文 参考訳(メタデータ) (2023-12-03T05:52:30Z) - Corn Yield Prediction based on Remotely Sensed Variables Using
Variational Autoencoder and Multiple Instance Regression [1.2697842097171117]
アメリカ合衆国ではトウモロコシが最も生産される作物であり、アメリカ食生活に欠かせない部分であった。
サプライチェーン管理と地域食料安全保障の需要に応えるため、精密農業において、正確かつタイムリーに大規模なトウモロコシ収量予測が注目されている。
近年,収穫量予測のためにリモートセンシング技術や機械学習手法が広く研究されている。
論文 参考訳(メタデータ) (2022-11-23T20:18:26Z) - Extreme Gradient Boosting for Yield Estimation compared with Deep
Learning Approaches [0.0]
本稿では,XGBoost(Extreme Gradient Boosting, エクストリームグラディエントブースティング)を利得予測に利用するための,リモートセンシング画像を特徴ベース表現に処理するためのパイプラインを提案する。
米国におけるダイズ収量予測の比較評価は,Deep Learningに基づく最先端の収量予測システムと比較して有望な予測精度を示している。
論文 参考訳(メタデータ) (2022-08-26T12:48:18Z) - MetaRF: Differentiable Random Forest for Reaction Yield Prediction with
a Few Trails [58.47364143304643]
本稿では,反応収率予測問題に焦点をあてる。
筆者らはまず,数発の収量予測のために特別に設計された,注意に基づく識別可能なランダム森林モデルであるMetaRFを紹介した。
数発の学習性能を改善するために,さらに次元還元に基づくサンプリング手法を導入する。
論文 参考訳(メタデータ) (2022-08-22T06:40:13Z) - 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) - TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。
本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。
本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
論文 参考訳(メタデータ) (2022-02-07T21:37:29Z) - An Applied Deep Learning Approach for Estimating Soybean Relative
Maturity from UAV Imagery to Aid Plant Breeding Decisions [7.4022258821325115]
我々は,UAV画像の時系列を用いて,大豆の相対的成熟度を推定するための頑健で自動的なアプローチを開発した。
畳み込みニューラルネットワーク(CNN)とLong Short-Term Memory(LSTM)を組み合わせたエンドツーエンドハイブリッドモデルを提案する。
その結果,CNN-LSTMモデルの有効性を局所回帰法と比較した。
論文 参考訳(メタデータ) (2021-08-02T14:53:58Z) - CYPUR-NN: Crop Yield Prediction Using Regression and Neural Networks [0.0]
回帰とニューラルネットワークを用いた作物収量予測(CYPUR-NN)は、農業者や農家が画像からの利得を予測したり、ウェブインターフェースを介して値を入力することを容易にするシステムとして開発されている。
論文 参考訳(メタデータ) (2020-11-26T12:50:58Z) - Deep Multi-view Image Fusion for Soybean Yield Estimation in Breeding
Applications Deep Multi-view Image Fusion for Soybean Yield Estimation in
Breeding Applications [7.450586438835518]
本研究の目的は,ダイズポッドカウントに適応する機械学習(ML)アプローチを開発することである。
ディープラーニングアーキテクチャを用いた多視点画像に基づく収量推定フレームワークを開発した。
以上の結果から,MLモデルが時間と労力を大幅に削減して繁殖決定を下すことが示唆された。
論文 参考訳(メタデータ) (2020-11-13T20:37:04Z) - Transformer Hawkes Process [79.16290557505211]
本稿では,長期的依存関係を捕捉する自己認識機構を利用したTransformer Hawkes Process (THP) モデルを提案する。
THPは、有意なマージンによる可能性と事象予測の精度の両方の観点から、既存のモデルより優れている。
本稿では、THPが関係情報を組み込む際に、複数の点過程を学習する際の予測性能の改善を実現する具体例を示す。
論文 参考訳(メタデータ) (2020-02-21T13:48:13Z)
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。