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

• Vision-based Xylem Wetness Classification in Stem Water Potential Determination [8.597874067545233]
  この研究は、スコランダー圧力室を用いた茎検出とキシレム湿性分類の自動化に焦点を当てた。 目的は、茎の検出を洗練し、キシレムにおける水の出現をよりよく分類するためのコンピュータビジョンベースの方法を開発することである。 YOLOv8nによる学習ベース幹細胞検出とResNet50に基づく分類の組み合わせにより、トップ1の精度は80.98%に達した。
  論文  参考訳（メタデータ） (2024-09-24T19:24:04Z)
• Utilising Explainable Techniques for Quality Prediction in a Complex Textiles Manufacturing Use Case [0.0]
  本稿では, 複合織物製造データセットにおける製品故障事例を説明可能な手法を用いて分類する手法を開発した。 精度と説明可能性のトレードオフを調べたところ,3種類の木に基づく分類アルゴリズムが評価された。
  論文  参考訳（メタデータ） (2024-07-26T06:50:17Z)
• Classification Tree-based Active Learning: A Wrapper Approach [4.706932040794696]
  本稿では,木構造にサンプリングプロセスを整理し,分類のためのラッパー能動的学習法を提案する。 ラベル付き標本の初期集合上に構築された分類木は、空間を低エントロピー領域に分解すると考えられる。 この適応は、既存のアクティブラーニング手法よりも大幅に向上することが証明されている。
  論文  参考訳（メタデータ） (2024-04-15T17:27:00Z)
• 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)
• 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)

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。