論文の概要: Automatic sampling and training method for wood-leaf classification
based on tree terrestrial point cloud
- arxiv url: http://arxiv.org/abs/2012.03152v1
- Date: Sun, 6 Dec 2020 00:18:41 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-21 13:58:37.368425
- Title: Automatic sampling and training method for wood-leaf classification
based on tree terrestrial point cloud
- Title(参考訳): 樹木地上点雲に基づく樹木葉分類の自動サンプリングと訓練方法
- Authors: Zichu Liu, Qing Zhang, Pei Wang, Yaxin Li, Jingqian Sun
- Abstract要約: 植物点雲データの葉木分類は、林業や生物研究の基本的なステップである。
木点雲データに基づく分類のための自動サンプリングおよびトレーニング手法を提案した。
その結果,提案手法は手動選択法よりも効率と精度がよいことがわかった。
- 参考スコア(独自算出の注目度): 23.296851669213012
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Terrestrial laser scanning technology provides an efficient and accuracy
solution for acquiring three-dimensional information of plants. The leaf-wood
classification of plant point cloud data is a fundamental step for some
forestry and biological research. An automatic sampling and training method for
classification was proposed based on tree point cloud data. The plane fitting
method was used for selecting leaf sample points and wood sample points
automatically, then two local features were calculated for training and
classification by using support vector machine (SVM) algorithm. The point cloud
data of ten trees were tested by using the proposed method and a manual
selection method. The average correct classification rate and kappa coefficient
are 0.9305 and 0.7904, respectively. The results show that the proposed method
had better efficiency and accuracy comparing to the manual selection method.
- Abstract(参考訳): 地上レーザースキャン技術は、植物の3次元情報を取得するための効率的かつ高精度なソリューションを提供する。
植物点雲データの葉木分類は、林業や生物研究の基本的なステップである。
木点雲データに基づく分類のための自動サンプリングおよびトレーニング手法を提案した。
葉のサンプルポイントと木材のサンプルポイントを自動的に選択するために平面フィッティング法を用い,サポート・ベクター・マシン(svm)アルゴリズムを用いて2つの局所特徴を計算した。
提案手法と手動選択法を用いて,10本の樹木の点群データを検証した。
平均的正分類率とカッパ係数はそれぞれ0.9305と0.7904である。
その結果,提案手法は手作業選択法と比較して効率と精度が向上した。
関連論文リスト
- Model-free Grasping with Multi-Suction Cup Grippers for Robotic Bin
Picking [63.15595970667581]
複数の吸引カップを有する吸引グリップパのグリップポーズのモデルフリー予測法を提案する。
本手法はグリッパーの設計に非依存であり,グリッパー固有のトレーニングデータを必要としない。
論文 参考訳(メタデータ) (2023-07-31T08:33:23Z) - Improving Online Lane Graph Extraction by Object-Lane Clustering [106.71926896061686]
本稿では,局所レーングラフの推定精度を向上させるために,アーキテクチャと損失の定式化を提案する。
提案手法は,中心線をクラスタ中心とすることで,対象を中心線に割り当てることを学ぶ。
提案手法は既存の3次元オブジェクト検出手法の出力を用いて,大幅な性能向上を実現することができることを示す。
論文 参考訳(メタデータ) (2023-07-20T15:21:28Z) - Using Active Learning Methods to Strategically Select Essays for
Automated Scoring [0.0]
本研究の目的は,3つのアクティブラーニング手法を記述し,評価することである。
3つのアクティブな学習方法は不確実性に基づく、トポロジに基づく、ハイブリッドな方法である。
これら3つの手法はいずれも強い結果をもたらし、トポロジカルな手法は最も効率的な分類を生み出した。
論文 参考訳(メタデータ) (2023-01-02T12:46:10Z) - Eff-3DPSeg: 3D organ-level plant shoot segmentation using
annotation-efficient point clouds [1.5882586857953638]
本稿では,3次元植物撮影セグメンテーションのための弱教師付きフレームワーク Eff-3DPSeg を提案する。
大豆の高分解能点雲を低コストのフォトグラムシステムを用いて再構成した。
植物器官セグメンテーションのための弱教師付き深層学習法が提案された。
論文 参考訳(メタデータ) (2022-12-20T14:09:37Z) - An Efficient and Accurate Rough Set for Feature Selection,
Classification and Knowledge Representation [89.5951484413208]
本稿では, 特徴選択, 分類, 知識表現を同時に実現する, 粗集合に基づく強力なデータマイニング手法を提案する。
まず, ノイズ特性の処理において, 粗集合の非効率性について検討し, 相対的重要度と呼ばれる特性のロバストな測定法を提案する。
公開ベンチマークデータセットによる実験結果から,提案フレームワークは7つの人気や最先端の機能選択手法よりも精度が高いことがわかった。
論文 参考訳(メタデータ) (2021-12-29T12:45:49Z) - Efficient training of lightweight neural networks using Online
Self-Acquired Knowledge Distillation [51.66271681532262]
オンライン自己獲得知識蒸留(OSAKD)は、ディープニューラルネットワークの性能をオンライン的に向上することを目的としている。
出力特徴空間におけるデータサンプルの未知確率分布を推定するために、k-nnノンパラメトリック密度推定手法を用いる。
論文 参考訳(メタデータ) (2021-08-26T14:01:04Z) - Wood-leaf classification of tree point cloud based on intensity and
geometrical information [22.738466338122418]
地上レーザースキャン(TLS)は、高精度で高密度のツリーポイント雲を得ることができる。
樹木の構造パラメーターと生態特性を研究するためには,木点と葉点の効率的な分類が不可欠である。
自動木葉分類を実現するために3段階の分類と検証手法が提案された。
論文 参考訳(メタデータ) (2021-08-02T16:04:48Z) - Deep Semi-supervised Knowledge Distillation for Overlapping Cervical
Cell Instance Segmentation [54.49894381464853]
本稿では, ラベル付きデータとラベルなしデータの両方を, 知識蒸留による精度向上に活用することを提案する。
摂動に敏感なサンプルマイニングを用いたマスク誘導型平均教師フレームワークを提案する。
実験の結果,ラベル付きデータのみから学習した教師付き手法と比較して,提案手法は性能を著しく向上することがわかった。
論文 参考訳(メタデータ) (2020-07-21T13:27:09Z) - 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) - Automated classification of stems and leaves of potted plants based on
point cloud data [21.085243796341743]
鉢植え植物の葉や茎を自動的に分類するための分類法が提案された。
葉点学習サンプルは3次元凸包絡アルゴリズムを用いて自動的に抽出される。
2つのトレーニングセットは、サポートベクトルマシン(SVM)アルゴリズムを用いて、すべての点を葉点と茎点に分類するために使用された。
論文 参考訳(メタデータ) (2020-02-28T04:15:38Z) - Automatic marker-free registration of tree point-cloud data based on
rotating projection [23.08199833637939]
本研究では,1本の木を複数スキャンした点クラウドデータの登録のための粗大な自動登録手法を提案する。
粗い登録では、各スキャンによって生成された点雲を球面に投影して一連の2次元画像を生成する。
対応する特徴点対は、これらの一連の2次元画像から抽出される。
微細な登録では、点雲データスライシングとフィッティング法を用いて、対応する中心茎と分岐中心を抽出する。
論文 参考訳(メタデータ) (2020-01-30T06:53:59Z)
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。