論文の概要: A Robust Illumination-Invariant Camera System for Agricultural Applications

• arxiv url: http://arxiv.org/abs/2101.02190v1
• Date: Wed, 6 Jan 2021 18:50:53 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-11 00:06:59.606696
• Title: A Robust Illumination-Invariant Camera System for Agricultural Applications
• Title（参考訳）: 農業用ロバスト照明不変カメラシステム
• Authors: Abhisesh Silwal, Tanvir Parhar, Francisco Yandun and George Kantor
• Abstract要約: オブジェクト検出とセマンティックセグメンテーションは、農業アプリケーションで最も広く採用されているディープラーニングアルゴリズムの2つです。 我々は,全ての照明条件下で一貫した画像を生成する,高スループットな能動照明カメラシステムを提案する。 平均して、オブジェクト検出のためのディープネットは、一貫性のあるデータで訓練され、同様の精度を達成するために4倍近いデータを必要としました。
• 参考スコア（独自算出の注目度）: 7.349727826230863
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Object detection and semantic segmentation are two of the most widely adopted deep learning algorithms in agricultural applications. One of the major sources of variability in image quality acquired in the outdoors for such tasks is changing lighting condition that can alter the appearance of the objects or the contents of the entire image. While transfer learning and data augmentation to some extent reduce the need for large amount of data to train deep neural networks, the large variety of cultivars and the lack of shared datasets in agriculture makes wide-scale field deployments difficult. In this paper, we present a high throughput robust active lighting-based camera system that generates consistent images in all lighting conditions. We detail experiments that show the consistency in images quality leading to relatively fewer images to train deep neural networks for the task of object detection. We further present results from field experiment under extreme lighting conditions where images without active lighting significantly lack to provide consistent results. The experimental results show that on average, deep nets for object detection trained on consistent data required nearly four times less data to achieve similar level of accuracy. This proposed work could potentially provide pragmatic solutions to computer vision needs in agriculture.
• Abstract（参考訳）: 対象検出と意味セグメンテーションは、農業分野で最も広く採用されているディープラーニングアルゴリズムの2つである。 このような作業のために屋外で取得した画像品質の変化の主な要因の1つは、物体の外観や全体像の内容を変えることができる照明条件を変更することである。 トランスファーラーニングとデータ拡張は、ディープニューラルネットワークをトレーニングするための大量のデータの必要性をある程度低減するが、多種多様な品種と農業における共有データセットの欠如により、広範囲のフィールド展開が困難になる。 本稿では,全照明条件で一貫した画像を生成する高スループットな能動照明カメラシステムを提案する。 画像品質の一貫性を示す実験を詳述し、オブジェクト検出タスクのために深層ニューラルネットワークを訓練するイメージを比較的少なくする。 さらに、能動照明のない画像が一貫した結果を得られない極端照明条件下でのフィールド実験の結果を示す。 実験の結果、一貫性のあるデータで訓練された物体検出のための深層ネットは、同じレベルの精度を達成するのに、ほぼ4倍のデータを必要としていた。 この提案は、農業におけるコンピュータビジョンのニーズに実用的な解決策を提供する可能性がある。

関連論文リスト

• LMHaze: Intensity-aware Image Dehazing with a Large-scale Multi-intensity Real Haze Dataset [14.141433473509826]
  本稿では,大規模で高品質な実世界のデータセットLMHazeを紹介する。 LMHazeは、屋内および屋外の多様な環境で撮影された、ヘイズフリーとヘイズフリーの2つの画像で構成されている。 そこで本研究では,Mambaをベースとした混合実験モデルを提案する。
  論文  参考訳（メタデータ） (2024-10-21T15:20:02Z)
• Semi-Self-Supervised Domain Adaptation: Developing Deep Learning Models with Limited Annotated Data for Wheat Head Segmentation [0.10923877073891444]
  本稿では,確率的拡散過程を持つ深層畳み込みニューラルネットワークに基づく半自己制御型ドメイン適応手法を提案する。 合成画像-マスク対と無注釈画像の両方を利用する2分岐畳み込みエンコーダ・デコーダモデルアーキテクチャを開発した。 提案されたモデルは、内部テストデータセットで80.7%のDiceスコア、外部テストセットで64.8%のDiceスコアを達成した。
  論文  参考訳（メタデータ） (2024-05-12T04:35:49Z)
• Exposure Bracketing is All You Need for Unifying Image Restoration and Enhancement Tasks [50.822601495422916]
  本稿では,露光ブラケット写真を利用して画像復元と拡張作業を統合することを提案する。 実世界のペアの収集が困難であるため,まず合成ペアデータを用いてモデルを事前学習する手法を提案する。 特に,時間変調リカレントネットワーク(TMRNet)と自己教師あり適応手法を提案する。
  論文  参考訳（メタデータ） (2024-01-01T14:14:35Z)
• Leveraging Neural Radiance Fields for Uncertainty-Aware Visual Localization [56.95046107046027]
  我々は,Neural Radiance Fields (NeRF) を用いてシーン座標回帰のためのトレーニングサンプルを生成することを提案する。 レンダリングにおけるNeRFの効率にもかかわらず、レンダリングされたデータの多くはアーティファクトによって汚染されるか、最小限の情報ゲインしか含まない。
  論文  参考訳（メタデータ） (2023-10-10T20:11:13Z)
• Improving Lens Flare Removal with General Purpose Pipeline and Multiple Light Sources Recovery [69.71080926778413]
  フレアアーティファクトは、画像の視覚的品質と下流のコンピュータビジョンタスクに影響を与える。 現在の方法では、画像信号処理パイプラインにおける自動露光やトーンマッピングは考慮されていない。 本稿では、ISPを再検討し、より信頼性の高い光源回収戦略を設計することで、レンズフレア除去性能を向上させるソリューションを提案する。
  論文  参考訳（メタデータ） (2023-08-31T04:58:17Z)
• Does Thermal data make the detection systems more reliable? [1.2891210250935146]
  マルチモーダル協調フレームワークに基づく包括的検知システムを提案する。 このフレームワークは、RGB(ビジュアルカメラから)と熱(赤外線カメラから)の両方のデータから学習する。 実験の結果,精度の向上は名目上はいるものの,難易度と難易度は高いことがわかった。
  論文  参考訳（メタデータ） (2021-11-09T15:04:34Z)
• Exploring Low-light Object Detection Techniques [0.456877715768796]
  物体検出タスクにどの画像強調アルゴリズムがより適しているかを考察する。 具体的には,基本ヒストグラム等化技術と画像翻訳技術について検討する。 我々は,すべての結果を比較し,平均精度(mAP)を計算し,今後の研究の方向性を示す。
  論文  参考訳（メタデータ） (2021-07-30T01:11:11Z)
• 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)
• Stereo Matching by Self-supervision of Multiscopic Vision [65.38359887232025]
  カメラ位置の整列で撮影した複数の画像を利用したステレオマッチングのための新しい自己監視フレームワークを提案する。 ネットワークを最適化するために、クロスフォトメトリックロス、不確実性を認識した相互監督損失、および新しい平滑性損失が導入されます。 我々のモデルは、KITTIデータセット上の以前の教師なし手法よりも、より良い不均一性マップを得る。
  論文  参考訳（メタデータ） (2021-04-09T02:58:59Z)
• Factors of Influence for Transfer Learning across Diverse Appearance Domains and Task Types [50.1843146606122]
  現在の最新のコンピュータビジョンモデルでは、簡単な転送学習が一般的です。 転校学習に関するこれまでの体系的な研究は限られており、作業が期待される状況は十分に理解されていない。 本論文では,非常に異なる画像領域にまたがる転送学習の広範な実験的研究を行う。
  論文  参考訳（メタデータ） (2021-03-24T16:24:20Z)
• Image Augmentation for Multitask Few-Shot Learning: Agricultural Domain Use-Case [0.0]
  本稿では,植物フェノミクスドメインの例に基づいて,小規模で不均衡なデータセットに挑戦する。 画像拡張フレームワークを導入することで,トレーニングサンプル数を大幅に拡大することができる。 本手法は,少数のトレーニングサンプルが利用可能であれば,モデル性能が向上することを示す。
  論文  参考訳（メタデータ） (2021-02-24T14:08:34Z)

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。