論文の概要: One-Shot Learning with Triplet Loss for Vegetation Classification Tasks

• arxiv url: http://arxiv.org/abs/2012.07403v2
• Date: Fri, 15 Jan 2021 19:34:55 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-08 14:31:06.595356
• Title: One-Shot Learning with Triplet Loss for Vegetation Classification Tasks
• Title（参考訳）: 植生分類タスクにおける三重項損失を用いたワンショット学習
• Authors: Alexander Uzhinskiy (1), Gennady Ososkov (1), Pavel Goncharov (1), Andrey Nechaevskiy (1), Artem Smetanin (2) ((1) Joint Institute for Nuclear Research, Dubna, Moscow region, Russia, (2) ITMO University, Saint Petersburg, Russia)
• Abstract要約: 三重項損失関数は、ワンショット学習タスクの精度を大幅に向上できる選択肢の1つである。 2015年からは、多くのプロジェクトがシームズネットワークとこの種の損失を顔認識とオブジェクト分類に利用している。
• 参考スコア（独自算出の注目度）: 45.82374977939355
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Triplet loss function is one of the options that can significantly improve the accuracy of the One-shot Learning tasks. Starting from 2015, many projects use Siamese networks and this kind of loss for face recognition and object classification. In our research, we focused on two tasks related to vegetation. The first one is plant disease detection on 25 classes of five crops (grape, cotton, wheat, cucumbers, and corn). This task is motivated because harvest losses due to diseases is a serious problem for both large farming structures and rural families. The second task is the identification of moss species (5 classes). Mosses are natural bioaccumulators of pollutants; therefore, they are used in environmental monitoring programs. The identification of moss species is an important step in the sample preprocessing. In both tasks, we used self-collected image databases. We tried several deep learning architectures and approaches. Our Siamese network architecture with a triplet loss function and MobileNetV2 as a base network showed the most impressive results in both above-mentioned tasks. The average accuracy for plant disease detection amounted to over 97.8% and 97.6% for moss species classification.
• Abstract（参考訳）: 三重項損失関数は、ワンショット学習タスクの精度を大幅に向上できる選択肢の1つである。 2015年からは、多くのプロジェクトがシームズネットワークとこの種の損失を顔認識とオブジェクト分類に使っている。 本研究では,植生に関する2つの課題に着目した。 1つ目は5種の作物(穀物、綿花、小麦、キュウリ、トウモロコシ)の25種類の植物病の検出である。 この課題は、大きな農業施設と農村の双方にとって、病気による収穫の損失が深刻な問題であるからである。 第2のタスクは、moss種(5つのクラス)の同定である。 ムースは汚染物質の天然の生物蓄積物であり、環境モニタリングプログラムで使用される。 モス種の同定は、サンプル前処理において重要なステップである。 どちらのタスクでも、自己収集画像データベースを使用しました。 いくつかのディープラーニングアーキテクチャとアプローチを試しました。 三重項損失関数を持つsiameseネットワークアーキテクチャとベースネットワークとしてのmobilenetv2は,上記の2つのタスクにおいて最も印象的な結果を示した。 植物病検出の平均精度は97.8%以上であり、moss種分類では97.6%であった。

関連論文リスト

• Deep-Wide Learning Assistance for Insect Pest Classification [1.9912919001438378]
  昆虫害虫分類のための新しい学習支援であるDeWiについて紹介する。 1段階のトレーニング戦略と交互トレーニング戦略により、DeWiは同時に、いくつかの畳み込みニューラルネットワークを改善している。 実験の結果,2つの害虫分類ベンチマークにおいて,DeWiが最も高い性能を示した。
  論文  参考訳（メタデータ） (2024-09-16T16:29:41Z)
• Investigation to answer three key questions concerning plant pest identification and development of a practical identification framework [2.388418486046813]
  334K画像を用いた精密で頑健で高速な植物害虫識別フレームワークを開発した。 我々の2段階植物害虫識別フレームワークは,91.0%,88.5%の精度とマクロF1スコアを達成できた。
  論文  参考訳（メタデータ） (2024-07-25T12:49:24Z)
• Self-supervised transformer-based pre-training method with General Plant Infection dataset [3.969851116372513]
  本研究では、コントラスト学習とマスクド画像モデリング(MIM)を組み合わせた高度なネットワークアーキテクチャを提案する。 提案するネットワークアーキテクチャは,植物害虫や病原体認識タスクに対処し,優れた検出精度を実現する。 私たちのコードとデータセットは、植物害虫の研究と病気の認識を促進するために公開されます。
  論文  参考訳（メタデータ） (2024-07-20T15:48:35Z)
• Identification of Abnormality in Maize Plants From UAV Images Using Deep Learning Approaches [0.6226366855893847]
  植物の異常の早期発見は、適切な生育を確保し、作物から高い収量を得るための重要な課題である。 本研究は, 成長段階とは無関係に, トウモロコシの異常度を判定する手法を開発した。 予備結果は、低い異常の88.89%の検出精度と100%の異常の検知精度を示している。
  論文  参考訳（メタデータ） (2023-10-20T00:06:42Z)
• The Power of Transfer Learning in Agricultural Applications: AgriNet [1.9087335681007478]
  我々は19以上の地理的な場所から160万の農業画像を集めたAgriNetデータセットを提案する。 また、5つのImageNetアーキテクチャ上で事前訓練されたモデルのセットであるAgriNetモデルを紹介します。 提案したすべてのモデルでは、植物種、病気、害虫、雑草の423種を87%の精度で正確に分類することが判明した。
  論文  参考訳（メタデータ） (2022-07-08T13:15:16Z)
• 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)
• A CNN Approach to Simultaneously Count Plants and Detect Plantation-Rows from UAV Imagery [56.10033255997329]
  畳み込みニューラルネットワーク(CNN)を用いた新しい深層学習手法を提案する。 高度に乾燥したプランテーション構成を考慮した植物を数えながら、同時にプランテーション・ロウを検出し、配置する。 提案手法は、異なる種類の作物のUAV画像において、植物と植物をカウントおよびジオロケートするための最先端の性能を達成した。
  論文  参考訳（メタデータ） (2020-12-31T18:51:17Z)
• Why Do Better Loss Functions Lead to Less Transferable Features? [93.47297944685114]
  本稿では,画像ネット上で学習した畳み込みニューラルネットワークの隠れ表現が,学習対象の選択が伝達可能性に与える影響について検討する。 我々は,多くの目的が,バニラソフトマックスのクロスエントロピーよりも画像ネットの精度を統計的に有意に向上させることを示した。
  論文  参考訳（メタデータ） (2020-10-30T17:50:31Z)
• 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)
• Automatic image-based identification and biomass estimation of invertebrates [70.08255822611812]
  時間を要する分類と分類は、どれだけの昆虫を処理できるかに強い制限を課す。 我々は、人間の専門家による分類と識別の標準的な手動アプローチを、自動画像ベース技術に置き換えることを提案する。 分類タスクには最先端のResnet-50とInceptionV3 CNNを使用する。
  論文  参考訳（メタデータ） (2020-02-05T21:38:57Z)

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。