Fugu-MT 論文翻訳(概要): Coconut trees detection and segmentation in aerial imagery using mask region-based convolution neural network

論文の概要: Coconut trees detection and segmentation in aerial imagery using mask region-based convolution neural network

arxiv url: http://arxiv.org/abs/2105.04356v1
Date: Mon, 10 May 2021 13:42:19 GMT
ステータス: 処理完了
システム内更新日: 2021-05-11 15:06:09.180249
Title: Coconut trees detection and segmentation in aerial imagery using mask region-based convolution neural network
Title（参考訳）: マスク領域を用いた畳み込みニューラルネットワークによる空中画像のココナッツ木検出とセグメンテーション
Authors: Muhammad Shakaib Iqbal, Hazrat Ali, Son N. Tran, Talha Iqbal
Abstract要約: 深層学習のアプローチは、世界銀行がOpenMapとWeRoboticsと共同で提供している空中画像におけるココナッツトレーの検知とセグメンテーションのためのものである。全体の91%がココナッツ樹検出の平均精度であった。
参考スコア（独自算出の注目度）: 3.8902657229395907
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Food resources face severe damages under extraordinary situations of catastrophes such as earthquakes, cyclones, and tsunamis. Under such scenarios, speedy assessment of food resources from agricultural land is critical as it supports aid activity in the disaster hit areas. In this article, a deep learning approach is presented for the detection and segmentation of coconut tress in aerial imagery provided through the AI competition organized by the World Bank in collaboration with OpenAerialMap and WeRobotics. Maked Region-based Convolutional Neural Network approach was used identification and segmentation of coconut trees. For the segmentation task, Mask R-CNN model with ResNet50 and ResNet1010 based architectures was used. Several experiments with different configuration parameters were performed and the best configuration for the detection of coconut trees with more than 90% confidence factor was reported. For the purpose of evaluation, Microsoft COCO dataset evaluation metric namely mean average precision (mAP) was used. An overall 91% mean average precision for coconut trees detection was achieved.
Abstract（参考訳）: 食料資源は地震、サイクロン、津波などの異常な災害で深刻な被害を受ける。このようなシナリオでは,被災地の援助活動を支援するため,農地からの食料資源の迅速評価が重要である。本稿では,OpenAerialMapとWeRoboticsと共同で世界銀行が主催するAIコンペティションを通じて,空中画像中のココナッツトレースの検出とセグメンテーションを行うためのディープラーニング手法を提案する。 Maked Region-based Convolutional Neural Network approach was used identified and segmentation of coconut trees。セグメンテーションタスクでは、ResNet50とResNet1010をベースとしたMask R-CNNモデルが使用された。構成パラメータの異なるいくつかの実験を行い,90%以上の信頼度を有するココナッツ樹の検出に最適な構成を報告した。評価のために、Microsoft COCOデータセット評価基準、すなわち平均平均精度(mAP)を使用した。全体の91%がココナッツ樹検出の平均精度であった。

関連論文リスト

Combining Observational Data and Language for Species Range Estimation [63.65684199946094]
我々は,数百万の市民科学種の観察とウィキペディアのテキスト記述を組み合わせた新しいアプローチを提案する。我々のフレームワークは、場所、種、テキスト記述を共通空間にマッピングし、テキスト記述からゼロショット範囲の推定を可能にする。また,本手法は観測データと組み合わせることで,少ないデータでより正確な距離推定を行うことができる。
論文参考訳（メタデータ） (2024-10-14T17:22:55Z)
CATSNet: a context-aware network for Height Estimation in a Forested Area based on Pol-TomoSAR data [4.9793121278328]
この研究は、CATSNetというコンテキスト対応のディープラーニングベースのソリューションを定義している。畳み込みニューラルネットワークは、パッチベースの情報を活用し、単一のピクセルに注目するのではなく、近隣から特徴を抽出すると考えられる。実験結果から,複数基線(MB)のTtomoSARデータ内のコンテキスト情報を活用することで,従来の手法を超越した性能と能力の両面で,顕著な優位性を示した。
論文参考訳（メタデータ） (2024-03-29T16:27:40Z)
A Framework of Landsat-8 Band Selection based on UMDA for Deforestation Detection [1.3654846342364308]
本研究では、分布推定アルゴリズム(UMDA)を用いてランドサット8からスペクトル帯域を抽出し、森林破壊領域をよりよく表現する新しいフレームワークを提案する。実験では、セグメント分類タスクにおいて90%以上の精度でバランスのとれた複数の組成を見つけることができた。
論文参考訳（メタデータ） (2023-11-17T13:34:58Z)
Tree Detection and Diameter Estimation Based on Deep Learning [0.0]
樹木認識は、自律的な林業活動に向けた重要なビルディングブロックである。データセットでトレーニングされたディープニューラルネットワークモデルは、木検出の精度90.4%を達成する。結果は、自律的な倒木作戦への有望な道を提供する。
論文参考訳（メタデータ） (2022-10-31T15:51:32Z)
Detection of Degraded Acacia tree species using deep neural networks on uav drone imagery [2.3837581572935505]
無人航空機(UAV)とRGBカメラが組み込まれ、転倒したアカシア・サントホフロアの木を捕獲した。深いニューラルネットワークは倒木検出に使われた。 Retina-Netモデルは38.9%の精度と57.9%のリコールを達成した。
論文参考訳（メタデータ） (2022-04-14T16:37:26Z)
Country-wide Retrieval of Forest Structure From Optical and SAR Satellite Imagery With Bayesian Deep Learning [74.94436509364554]
本研究では,10mの解像度で森林構造変数を高密度に推定するベイズ深層学習手法を提案する。本手法は,Sentinel-2光画像とSentinel-1合成開口レーダ画像を5種類の森林構造変数のマップに変換する。ノルウェーを横断する41の空中レーザー走査ミッションの基準データに基づいて、我々のモデルを訓練し、テストする。
論文参考訳（メタデータ） (2021-11-25T16:21:28Z)
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)
Bayesian Optimization with Machine Learning Algorithms Towards Anomaly Detection [66.05992706105224]
本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。 ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
論文参考訳（メタデータ） (2020-08-05T19:29:35Z)
Collaborative Boundary-aware Context Encoding Networks for Error Map Prediction [65.44752447868626]
本稿では,AEP-Net と呼ばれる協調的コンテキスト符号化ネットワークを提案する。具体的には、画像とマスクのより優れた特徴融合のための協調的な特徴変換分岐と、エラー領域の正確な局所化を提案する。 AEP-Netはエラー予測タスクの平均DSCが0.8358,0.8164であり、ピアソン相関係数が0.9873である。
論文参考訳（メタデータ） (2020-06-25T12:42:01Z)
Deep Learning-based Aerial Image Segmentation with Open Data for Disaster Impact Assessment [11.355723874379317]
セグメンテーションニューラルネットワークを利用したフレームワークは、災害後のシナリオで影響のある地域やアクセス可能な道路を特定するために提案されている。航空画像セグメンテーションにおけるImageNetの事前訓練の有効性について検討した。インドネシアのパウル島を襲った2018年の津波のデータから、提案された枠組みの有効性が示された。
論文参考訳（メタデータ） (2020-06-10T00:19:58Z)
RescueNet: Joint Building Segmentation and Damage Assessment from Satellite Imagery [83.49145695899388]
RescueNetは、建物を同時に分割し、個々の建物に対する損傷レベルを評価し、エンドツーエンドでトレーニングできる統一モデルである。 RescueNetは大規模で多様なxBDデータセットでテストされており、従来の手法よりもはるかに優れたセグメンテーションと損傷分類性能を実現している。
論文参考訳（メタデータ） (2020-04-15T19:52:09Z)

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。