論文の概要: Residue Density Segmentation for Monitoring and Optimizing Tillage Practices

• arxiv url: http://arxiv.org/abs/2102.04866v1
• Date: Tue, 9 Feb 2021 15:00:45 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-10 15:17:06.798742
• Title: Residue Density Segmentation for Monitoring and Optimizing Tillage Practices
• Title（参考訳）: Tillageのモニタリングと最適化のための残留密度セグメント化
• Authors: Jennifer Hobbs, Ivan Dozier, Naira Hovakimyan
• Abstract要約: 「ノティル」や「カバー・クリーピング」は、農業における炭素隔離の指導的管理手法としてしばしば見なされる。 本研究では,確率論的深層学習セグメンテーション手法を用いて,フィールド全体の残余被覆度を推定する。 このアプローチは、現在実施されているプラクティスに関するより正確な洞察を提供するだけでなく、新しいプラクティスを採用する最大の可能性を持つフィールドのより正確な識別プロセスを可能にし、農業における二酸化炭素の隔離に大きな影響を与える。
• 参考スコア（独自算出の注目度）: 4.523600408706772
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: "No-till" and cover cropping are often identified as the leading simple, best management practices for carbon sequestration in agriculture. However, the root of the problem is more complex, with the potential benefits of these approaches depending on numerous factors including a field's soil type(s), topography, and management history. Instead of using computer vision approaches to simply classify a field a still vs. no-till, we instead seek to identify the degree of residue coverage across afield through a probabilistic deep learning segmentation approach to enable more accurate analysis of carbon holding potential and realization. This approach will not only provide more precise insights into currently implemented practices, but also enable a more accurate identification process of fields with the greatest potential for adopting new practices to significantly impact carbon sequestration in agriculture.
• Abstract（参考訳）: 「ノーティル」とカバークロップは、農業における炭素隔離のための主要な単純で最良の管理慣行としてしばしば識別される。 しかし、この問題の根源はより複雑であり、フィールドの土壌タイプ(s)、地形、管理履歴など多くの要因に依存して、これらのアプローチの潜在的な利点がある。 コンピュータビジョンのアプローチを使用して、静止点とノーティルのフィールドを簡単に分類する代わりに、確率的ディープラーニングセグメンテーションアプローチを使用してフィールド全体の残留範囲の程度を特定し、カーボン保持電位と実現をより正確に分析できるようにします。 このアプローチは、現在実施されているプラクティスに対するより正確な洞察を提供するだけでなく、農業における炭素隔離に大きな影響を与える新しいプラクティスを採用する最大の可能性を持つフィールドのより正確な識別プロセスを可能にします。

関連論文リスト

• Low-Cost Tree Crown Dieback Estimation Using Deep Learning-Based Segmentation [0.0]
  深層学習と植生指標に基づくアプローチを用いて,LiDARなどの高価な機器を必要とせずに,RGB空中データからクラウンダイバックを評価する。 基礎となるMask R-CNNモデルのさらなる技術開発を必要とせず、高い全体セグメント化精度(mAP:0.519)を得る。 本研究は,森林ダイバックモニタリングの網羅性,速度,コストを改善するため,ディープラーニングの適用を含む自動データ収集および処理の可能性を示すものである。
  論文  参考訳（メタデータ） (2024-09-12T16:03:56Z)
• Machine Learning for Dynamic Management Zone in Smart Farming [0.0]
  デジタル農業のアプローチは、伝統的な農業システムを置き換えるために非常に合理的なコストで使用できる。 提案手法は, 収率帯の空間的変動の解析に有用である。 提案したゾーン管理アプローチは、農家や農夫がより効果的にN型肥料を施すのに役立つ。
  論文  参考訳（メタデータ） (2024-07-17T15:37:57Z)
• Learning Feature Inversion for Multi-class Anomaly Detection under General-purpose COCO-AD Benchmark [101.23684938489413]
  異常検出(AD)は、しばしば産業品質検査や医学的病変検査のための異常の検出に焦点が当てられている。 この研究はまず、COCOをADフィールドに拡張することにより、大規模で汎用的なCOCO-ADデータセットを構築する。 セグメンテーション分野のメトリクスにインスパイアされた我々は、より実用的なしきい値に依存したAD固有のメトリクスをいくつか提案する。
  論文  参考訳（メタデータ） (2024-04-16T17:38:26Z)
• Multispectral Image Segmentation in Agriculture: A Comprehensive Study on Fusion Approaches [0.9790238684654974]
  本稿では, 農業分野における分断プロセスを強化するために, 融合アプローチの利用に焦点をあてる。 本研究では,RGBとNDVIを入力として組み合わせ,異なる融合手法を比較した。 実験により,エッジ検出やしきい値設定などの手法を応用した古典的セグメンテーション手法が,DLベースのアルゴリズムと効果的に競合できることが明らかになった。
  論文  参考訳（メタデータ） (2023-07-31T21:24:41Z)
• Generative models-based data labeling for deep networks regression: application to seed maturity estimation from UAV multispectral images [3.6868861317674524]
  種子の成熟度モニタリングは、気候変動とより制限的な慣行による農業における課題の増加である。 従来の手法は、フィールドでの限られたサンプリングと実験室での分析に基づいている。 マルチスペクトルUAV画像を用いたパセリ種子の成熟度推定手法の提案と,自動ラベリングのための新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2022-08-09T09:06:51Z)
• Label Distribution Learning for Generalizable Multi-source Person Re-identification [48.77206888171507]
  人物再識別(Re-ID)は,映像監視システムにおいて重要な技術である。 教師付きモデルを任意の未確認領域に直接適用することは困難である。 一般化可能な多ソース人物Re-IDタスクに対処する新しいラベル分散学習法(LDL)を提案する。
  論文  参考訳（メタデータ） (2022-04-12T15:59:10Z)
• Jalisco's multiclass land cover analysis and classification using a novel lightweight convnet with real-world multispectral and relief data [51.715517570634994]
  本稿では、LC分類と解析を行うために、新しい軽量(89kパラメータのみ)畳み込みニューラルネットワーク(ConvNet)を提案する。 本研究では,実世界のオープンデータソースを3つ組み合わせて13のチャネルを得る。 組込み分析は、いくつかのクラスにおいて限られたパフォーマンスを期待し、最も類似したクラスをグループ化する機会を与えてくれます。
  論文  参考訳（メタデータ） (2022-01-26T14:58:51Z)
• Unsupervised deep learning techniques for powdery mildew recognition based on multispectral imaging [63.62764375279861]
  本稿では,キュウリ葉の粉状ミドウを自動的に認識する深層学習手法を提案する。 マルチスペクトルイメージングデータに適用した教師なし深層学習技術に焦点をあてる。 本稿では, オートエンコーダアーキテクチャを用いて, 疾患検出のための2つの手法を提案する。
  論文  参考訳（メタデータ） (2021-12-20T13:29:13Z)
• Occlusion-aware Unsupervised Learning of Depth from 4-D Light Fields [50.435129905215284]
  4次元光場処理と解析のための教師なし学習に基づく深度推定法を提案する。 光場データの特異な幾何学構造に関する基礎知識に基づいて,光場ビューのサブセット間の角度コヒーレンスを探索し,深度マップを推定する。 提案手法は,従来の手法と同等の精度で計算コストを低減した深度マップを作成できる。
  論文  参考訳（メタデータ） (2021-06-06T06:19:50Z)
• A Review of Single-Source Deep Unsupervised Visual Domain Adaptation [81.07994783143533]
  大規模ラベル付きトレーニングデータセットにより、ディープニューラルネットワークは、幅広いベンチマークビジョンタスクを拡張できるようになった。 多くのアプリケーションにおいて、大量のラベル付きデータを取得するのは非常に高価で時間を要する。 限られたラベル付きトレーニングデータに対処するため、大規模ラベル付きソースドメインでトレーニングされたモデルを、疎ラベルまたは未ラベルのターゲットドメインに直接適用しようと試みている人も多い。
  論文  参考訳（メタデータ） (2020-09-01T00:06:50Z)
• Small, Sparse, but Substantial: Techniques for Segmenting Small Agricultural Fields Using Sparse Ground Data [4.850320383827591]
  機械学習と画像処理を組み合わせた多段階的手法を提案する。 高分解能画像を用いた評価では,Fスコアが0.84で,Fスコアが0.73,小フィールドが0.84であった。
  論文  参考訳（メタデータ） (2020-05-05T05:26:19Z)

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。