論文の概要: A CNN Approach to Simultaneously Count Plants and Detect Plantation-Rows from UAV Imagery

• arxiv url: http://arxiv.org/abs/2012.15827v3
• Date: Sun, 14 Feb 2021 18:02:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2021-04-17 17:06:21.545127
• Title: A CNN Approach to Simultaneously Count Plants and Detect Plantation-Rows from UAV Imagery
• Title（参考訳）: 植物を同時に数えるCNNアプローチとUAV画像からの植林地検出
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 56.10033255997329
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In this paper, we propose a novel deep learning method based on a Convolutional Neural Network (CNN) that simultaneously detects and geolocates plantation-rows while counting its plants considering highly-dense plantation configurations. The experimental setup was evaluated in a cornfield with different growth stages and in a Citrus orchard. Both datasets characterize different plant density scenarios, locations, types of crops, sensors, and dates. A two-branch architecture was implemented in our CNN method, where the information obtained within the plantation-row is updated into the plant detection branch and retro-feed to the row branch; which are then refined by a Multi-Stage Refinement method. In the corn plantation datasets (with both growth phases, young and mature), our approach returned a mean absolute error (MAE) of 6.224 plants per image patch, a mean relative error (MRE) of 0.1038, precision and recall values of 0.856, and 0.905, respectively, and an F-measure equal to 0.876. These results were superior to the results from other deep networks (HRNet, Faster R-CNN, and RetinaNet) evaluated with the same task and dataset. For the plantation-row detection, our approach returned precision, recall, and F-measure scores of 0.913, 0.941, and 0.925, respectively. To test the robustness of our model with a different type of agriculture, we performed the same task in the citrus orchard dataset. It returned an MAE equal to 1.409 citrus-trees per patch, MRE of 0.0615, precision of 0.922, recall of 0.911, and F-measure of 0.965. For citrus plantation-row detection, our approach resulted in precision, recall, and F-measure scores equal to 0.965, 0.970, and 0.964, respectively. The proposed method achieved state-of-the-art performance for counting and geolocating plants and plant-rows in UAV images from different types of crops.
• Abstract（参考訳）: 本稿では,高密度プランテーション構成を考慮したプラントを数えながら,同時にプランテーション群を検出・位置決めする畳み込みニューラルネットワーク(CNN)に基づく新しい深層学習手法を提案する。 生育段階の異なるトウモロコシ畑とカンキツ果樹園において実験セットアップを評価した。 両方のデータセットは、異なる植物密度シナリオ、場所、作物の種類、センサー、日付を特徴付ける。 cnn法では,プランテーションロウ内で得られた情報を植物検出ブランチに更新し,行ブランチにレトロフィードし,多段階リファインメント法により精製した2分岐アーキテクチャを実装した。 コーンプランテーションデータセット(成長期,若年,成熟期ともに)では,画像パッチあたりの平均絶対誤差が6.224本,平均相対誤差が0.1038本,精度が0.856本,リコール値が0.905本,F値が0.876本であった。 これらの結果は、同じタスクとデータセットで評価された他のディープネットワーク(HRNet、Faster R-CNN、RetinaNet)よりも優れていた。 プランテーションロー検出では, 精度, リコール, F測定スコアが0.913, 0.941, 0.925であった。 異なるタイプの農業でモデルのロバスト性をテストするために、我々はcitrus orchardデータセットで同じタスクを実行しました。 1パッチあたり1.409シトラス・ツリー、mre 0.0615、精度0.922、リコール0.911、f-測定値0.965である。 カントラスプランテーションロー検出では, 精度, 再現率, f-測定値はそれぞれ0.965, 0.970, 0.964であった。 提案手法は, 異なる作物のuav画像において, 植物と植物群を計数し, 測地する技術として, 最先端の性能を得た。

関連論文リスト

• BloomNet: Exploring Single vs. Multiple Object Annotation for Flower Recognition Using YOLO Variants [0.0]
  本稿では, YOLOv5s, YOLOv8n/s/m, YOLOv12nなどのYOLOアーキテクチャを2つのアノテーション条件下でのオブジェクト検出のためにベンチマークする。 6つの異なる花種の2,816枚の高解像度写真からなるFloralSixデータセットも導入された。
  論文  参考訳（メタデータ） (2026-02-20T19:47:45Z)
• Maize Seedling Detection Dataset (MSDD): A Curated High-Resolution RGB Dataset for Seedling Maize Detection and Benchmarking with YOLOv9, YOLO11, YOLOv12 and Faster-RCNN [0.28647133890966986]
  スタンドカウントは、植物が発芽した数を決定し、再移植や入力の調整といったタイムリーな決定を導く。 実生苗数計測のための高品質な航空画像データセットであるMSDDを導入し,早稲作モニタリング,収量予測,現地管理に応用した。 MSDDには、様々な成長段階、植林設備、土壌タイプ、照明条件、カメラアングル、密度の3つのクラス・シングル、ダブル、トリプルの植物が含まれる。
  論文  参考訳（メタデータ） (2025-09-18T17:41:59Z)
• Multispectral Remote Sensing for Weed Detection in West Australian Agricultural Lands [3.6284577335311563]
  オーストラリア西部のコンディニン地域は、広範囲にわたる雑草の寄生による農業上の大きな課題に直面しており、経済的損失と生態学的影響を引き起こしている。 本研究は, 精密農業の実践を促進するため, 雑草検出のための多スペクトルリモートセンシングフレームワークを構築した。 無人航空機は、4年間にわたって2つの実験領域から生のマルチスペクトルデータを収集するために用いられ、0.6046 km2をカバーし、地上の真実の注釈は、手動で雑草や作物をラベル付けするためにGPS対応車両で作成された。
  論文  参考訳（メタデータ） (2025-02-12T07:01:42Z)
• CMAViT: Integrating Climate, Managment, and Remote Sensing Data for Crop Yield Estimation with Multimodel Vision Transformers [0.0]
  我々はCMAViT(Climate-Management Aware Vision Transformer)と呼ばれる深層学習に基づくマルチモデルを導入する。 CMAViTは、リモートセンシング画像と短期気象データを活用することにより、空間データと時間データの両方を統合する。 UNet-ConvLSTMのような従来のモデルよりも優れ、空間的変動のキャプチャと収差予測に優れています。
  論文  参考訳（メタデータ） (2024-11-25T23:34:53Z)
• Local Manifold Learning for No-Reference Image Quality Assessment [68.9577503732292]
  No-Reference Image Quality Assessment(NR-IQA)のための、局所多様体学習とコントラスト学習を統合した革新的なフレームワークを提案する。 提案手法は,7つの標準データセットの最先端手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2024-06-27T15:14:23Z)
• Two Scalable Approaches for Burned-Area Mapping Using U-Net and Landsat Imagery [39.91303506884272]
  本研究では,U-Netモデルに基づくバーン・エリアマッピングプロセスの自動化と最適化のための2つのアプローチを提案する。 研究領域の195の代表的な画像に基づくテストでは、ASモデルを用いたデータセットのバランスの向上により、より良いパフォーマンスが得られることが示された。
  論文  参考訳（メタデータ） (2023-11-29T05:42:25Z)
• Boosting Crop Classification by Hierarchically Fusing Satellite, Rotational, and Contextual Data [0.0]
  本研究では,複数年にわたる精度向上とロバスト性向上のためのモデルにマルチモーダル情報を融合する新しい手法を提案する。 このアプローチを評価するため、フランスとオランダで740万の農業パーセルの注釈付きデータセットを新たにリリースしました。
  論文  参考訳（メタデータ） (2023-05-19T21:42:53Z)
• Panoptic Mapping with Fruit Completion and Pose Estimation for Horticultural Robots [33.21287030243106]
  植物や果実を高解像度でモニタリングすることは、農業の未来において重要な役割を担っている。 正確な3D情報は、自律収穫から正確な収量推定まで、農業における多様なロボット応用への道を開くことができる。 移動ロボットによって構築された3次元多次元マップにおいて,果実の完全な3次元形状とそのポーズを共同で推定する問題に対処する。
  論文  参考訳（メタデータ） (2023-03-15T20:41:24Z)
• Attention-based Saliency Maps Improve Interpretability of Pneumothorax Classification [52.77024349608834]
  視覚変換器(ViT)の胸部X線撮影(CXR)分類性能と注意ベース唾液の解釈可能性について検討する。 ViTは、CheXpert、Chest X-Ray 14、MIMIC CXR、VinBigDataの4つの公開データセットを用いて、肺疾患分類のために微調整された。 ViTsは最先端のCNNと比べてCXR分類AUCに匹敵するものであった。
  論文  参考訳（メタデータ） (2023-03-03T12:05:41Z)
• Transferring learned patterns from ground-based field imagery to predict UAV-based imagery for crop and weed semantic segmentation in precision crop farming [3.95486899327898]
  雑草の区分けのために,UAVのフィールド画像と空中画像の両方を予測できる深層畳み込みネットワークを開発した。 ネットワーク学習プロセスは、浅い層と深い層のフィーチャーマップによって視覚化される。 この研究は、深層畳み込みニューラルネットワークが、フィールド画像と空中画像の両方から雑草を分類するために使用できることを示した。
  論文  参考訳（メタデータ） (2022-10-20T19:25:06Z)
• Comparing Machine Learning Techniques for Alfalfa Biomass Yield Prediction [0.8808021343665321]
  アルファルファの作物は 家畜の餌として 世界的に重要で 効率的な植え付けと収穫は 多くの産業に役立ちます 機械学習を用いてアルファルファやその他の作物の収量を予測する最近の研究は、有望であることが示されている。 これまでの取り組みでは、リモートセンシング、天気、植林、土壌データを使用して、収量予測のための機械学習モデルをトレーニングしていた。
  論文  参考訳（メタデータ） (2022-10-20T13:00:33Z)
• Corneal endothelium assessment in specular microscopy images with Fuchs' dystrophy via deep regression of signed distance maps [48.498376125522114]
  本稿では,UNetをベースとしたセグメンテーション手法を提案する。 これは、フックスのジストロフィーの全度にわたって、信頼できるCE形態計測と腸骨同定を実現する。
  論文  参考訳（メタデータ） (2022-10-13T15:34:20Z)
• 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)
• 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 Deep Learning Approach Based on Graphs to Detect Plantation Lines [16.76043873454695]
  本稿では,UAVを用いたRGB画像における植林線検出のためのグラフに基づく深層学習手法を提案する。 提案手法は最先端のディープラーニング手法と比較した。 精度、リコール、F1スコアはそれぞれ98.7%、91.9%、95.1%だった。
  論文  参考訳（メタデータ） (2021-02-05T14:56:42Z)
• 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。

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。