論文の概要: Temporal Prediction and Evaluation of Brassica Growth in the Field using Conditional Generative Adversarial Networks

• arxiv url: http://arxiv.org/abs/2105.07789v1
• Date: Mon, 17 May 2021 13:00:01 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-18 22:24:31.978503
• Title: Temporal Prediction and Evaluation of Brassica Growth in the Field using Conditional Generative Adversarial Networks
• Title（参考訳）: 条件付き生成逆ネットワークを用いた地域のブラスカ成長の時間予測と評価
• Authors: Lukas Drees, Laura Verena Junker-Frohn, Jana Kierdorf, Ribana Roscher
• Abstract要約: 植物の成長予測は、多種多様な環境要因によって影響を受けるため、大きな課題である。 本稿では,高スループット撮像センサ測定とその自動解析を含む新しいモニタリング手法を提案する。 提案手法のコアは条件付き生成型adversarial networkに基づく新しい機械学習ベースの成長モデルである。
• 参考スコア（独自算出の注目度）: 1.2926587870771542
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Farmers frequently assess plant growth and performance as basis for making decisions when to take action in the field, such as fertilization, weed control, or harvesting. The prediction of plant growth is a major challenge, as it is affected by numerous and highly variable environmental factors. This paper proposes a novel monitoring approach that comprises high-throughput imaging sensor measurements and their automatic analysis to predict future plant growth. Our approach's core is a novel machine learning-based growth model based on conditional generative adversarial networks, which is able to predict the future appearance of individual plants. In experiments with RGB time-series images of laboratory-grown Arabidopsis thaliana and field-grown cauliflower plants, we show that our approach produces realistic, reliable, and reasonable images of future growth stages. The automatic interpretation of the generated images through neural network-based instance segmentation allows the derivation of various phenotypic traits that describe plant growth.
• Abstract（参考訳）: 農家は、肥料の施肥、雑草管理、収穫などの分野での行動を決定するための基盤として、植物の成長と性能をしばしば評価する。 植物の成長予測は、多種多様な環境要因によって影響を受けるため、大きな課題である。 本稿では,高スループット撮像センサ計測と植物成長予測のための自動解析を組み合わせた新しいモニタリング手法を提案する。 本手法のコアとなるのは、条件付き生成逆数ネットワークに基づく機械学習に基づく新しい成長モデルであり、個々の植物の将来的な出現を予測することができる。 実験室栽培のシロイヌナズナと野栽培のカリフラワー植物のRGB時系列画像を用いた実験により,本手法が今後の成長段階の現実的,信頼性,合理的な画像を生成することを示した。 ニューラルネットワークに基づくインスタンスセグメンテーションによって生成された画像の自動解釈は、植物の成長を記述する様々な表現型形質の導出を可能にする。

関連論文リスト

• Optimizing Resource Consumption in Diffusion Models through Hallucination Early Detection [87.22082662250999]
  拡散過程の開始時に不正確な世代を迅速に検出する新しいパラダイムであるHEaD(Hallucination Early Detection)を導入する。 HEaDは計算資源を節約し,生成過程を高速化して完全な画像を得ることを示す。 その結果,HEaDは2つのオブジェクトのシナリオで生成時間の最大12%を節約できることがわかった。
  論文  参考訳（メタデータ） (2024-09-16T18:00:00Z)
• BonnBeetClouds3D: A Dataset Towards Point Cloud-based Organ-level Phenotyping of Sugar Beet Plants under Field Conditions [30.27773980916216]
  農業生産は今後数十年間、気候変動と持続可能性の必要性によって深刻な課題に直面している。 自律無人航空機(UAV)による作物のモニタリングと、ロボットによる非化学雑草によるフィールド管理の進歩は、これらの課題に対処するのに有用である。 表現型化と呼ばれる植物形質の分析は、植物の育種に不可欠な活動であるが、大量の手作業が伴う。
  論文  参考訳（メタデータ） (2023-12-22T14:06:44Z)
• Data-driven Crop Growth Simulation on Time-varying Generated Images using Multi-conditional Generative Adversarial Networks [2.513679466277441]
  本稿では,画像予測モデルの第1段と成長推定モデル第2段からなる2段階のフレームワークを提案する。 画像予測モデルは条件付きワッサーシュタイン生成対向ネットワーク(CWGAN)である このモデルの生成元では、条件付きバッチ正規化(CBN)を使用して、入力画像と異なる条件を統合する。 これらの画像は、植物特有の形質を導出することにより植物表現の枠組みの第2部によって使用される。
  論文  参考訳（メタデータ） (2023-12-06T11:54:50Z)
• PlantPlotGAN: A Physics-Informed Generative Adversarial Network for Plant Disease Prediction [2.7409168462107347]
  リアルな植生指標を持つ合成多スペクトルプロット画像を作成することができる物理インフォームド・ジェネレーティブ・モデルであるPlanetPlotGANを提案する。 その結果, PlantPlotGANから生成された合成画像はFr'echet開始距離に関して最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2023-10-27T16:56:28Z)
• A Learned Simulation Environment to Model Plant Growth in Indoor Farming [0.0]
  精密農業における環境パラメータの変化が植物の成長に及ぼす影響を定量化するシミュレータを開発した。 我々のアプローチは、植物画像の処理と深部畳み込みニューラルネットワーク(CNN)、成長曲線モデリング、機械学習を組み合わせる。
  論文  参考訳（メタデータ） (2022-12-06T17:28:13Z)
• Semantic Image Segmentation with Deep Learning for Vine Leaf Phenotyping [59.0626764544669]
  本研究では,ブドウの葉のイメージを意味的にセグメント化するためにDeep Learning法を用いて,葉の表現型自動検出システムを開発した。 私たちの研究は、成長や開発のような動的な特性を捉え定量化できる植物ライフサイクルのモニタリングに寄与します。
  論文  参考訳（メタデータ） (2022-10-24T14:37:09Z)
• Learning Generative Vision Transformer with Energy-Based Latent Space for Saliency Prediction [51.80191416661064]
  本稿では,有意な物体検出に先立って,潜伏変数を持つ新しい視覚変換器を提案する。 ビジョントランスネットワークとエネルギーベース先行モデルの両方は、マルコフ連鎖モンテカルロによる最大推定を通じて共同で訓練される。 生成型視覚変換器により、画像から容易に画素単位の不確実性マップを得ることができ、画像から唾液濃度を予測するためのモデル信頼度を示す。
  論文  参考訳（メタデータ） (2021-12-27T06:04:33Z)
• 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)
• Estimating Crop Primary Productivity with Sentinel-2 and Landsat 8 using Machine Learning Methods Trained with Radiative Transfer Simulations [58.17039841385472]
  我々は,機械モデリングと衛星データ利用の並列化を活用し,作物生産性の高度モニタリングを行う。 本モデルでは, 地域情報を使用しなくても, 各種C3作物の種類, 環境条件の総合的生産性を推定することに成功した。 これは、現在の地球観測クラウドコンピューティングプラットフォームの助けを借りて、新しい衛星センサーから作物の生産性をグローバルにマップする可能性を強調しています。
  論文  参考訳（メタデータ） (2020-12-07T16:23:13Z)
• Causal Discovery in Physical Systems from Videos [123.79211190669821]
  因果発見は人間の認知の中心にある。 本研究では,ビデオの因果発見の課題を,地層構造を監督せずにエンドツーエンドで検討する。
  論文  参考訳（メタデータ） (2020-07-01T17:29:57Z)

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。