論文の概要: Behind the leaves -- Estimation of occluded grapevine berries with conditional generative adversarial networks

• arxiv url: http://arxiv.org/abs/2105.10325v1
• Date: Fri, 21 May 2021 12:57:48 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-25 07:02:54.037860
• Title: Behind the leaves -- Estimation of occluded grapevine berries with conditional generative adversarial networks
• Title（参考訳）: 葉の裏面-条件付き対向ネットワークを用いたオオクローズドブドウ果実の推定
• Authors: Jana Kierdorf, Immanuel Weber, Anna Kicherer, Laura Zabawa, Lukas Drees, Ribana Roscher
• Abstract要約: 本手法を適用した後のベリー数の推定値は,手動で数えた基準値に近い。 ベリー数に因子を適用するのとは対照的に,本手法は目に見えるベリーの出現に直接関与することにより,局所的な条件に適応する。
• 参考スコア（独自算出の注目度）: 3.308833414816073
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The need for accurate yield estimates for viticulture is becoming more important due to increasing competition in the wine market worldwide. One of the most promising methods to estimate the harvest is berry counting, as it can be approached non-destructively, and its process can be automated. In this article, we present a method that addresses the challenge of occluded berries with leaves to obtain a more accurate estimate of the number of berries that will enable a better estimate of the harvest. We use generative adversarial networks, a deep learning-based approach that generates a likely scenario behind the leaves exploiting learned patterns from images with non-occluded berries. Our experiments show that the estimate of the number of berries after applying our method is closer to the manually counted reference. In contrast to applying a factor to the berry count, our approach better adapts to local conditions by directly involving the appearance of the visible berries. Furthermore, we show that our approach can identify which areas in the image should be changed by adding new berries without explicitly requiring information about hidden areas.
• Abstract（参考訳）: ワイン市場における競争の激化により、ブドウ栽培の正確な収量推定の必要性が高まっている。 収穫量を推定する最も有望な方法の1つはベリー計数であり、それは非破壊的にアプローチでき、そのプロセスは自動化できる。 本稿では,果実の収穫量をより正確に見積もるために,葉付きオクルードベリーの課題に対処する手法を提案する。 生成的敵ネットワーク(generative adversarial network)は深層学習に基づくアプローチであり、非閉塞ベリーの画像から学習パターンを活用できる。 提案手法を適用した後のベリー数の推定値が手動で数えた基準値に近いことを示す。 ベリー数に因子を適用するのとは対照的に,このアプローチは,可視性ベリーの出現を直接巻き込むことにより,局所的な条件に適応する。 さらに,本手法では,隠れた領域に関する情報を明示的に必要とせず,新たなベリーを追加することで,画像内のどの領域を変更するべきかを特定できることを示す。

関連論文リスト

• Few-Shot Fruit Segmentation via Transfer Learning [4.616529139444651]
  移動学習を用いた内野果実のセマンティックセマンティックセマンティックセマンティクスフレームワークを開発した。 都会のシーン解析における同様の成功を機に,我々は特別事前学習を提案する。 プレトレーニングモデルでは, 地上に落ちてきた果実と木上の果実の区別が可能であることを示す。
  論文  参考訳（メタデータ） (2024-05-04T04:05:59Z)
• LAKE-RED: Camouflaged Images Generation by Latent Background Knowledge Retrieval-Augmented Diffusion [53.98099367578345]
  カモフラージュ画像生成のためのLAKE-RED(Latent background Retrieval-Augmented Diffusion)を提案する。 本手法は,カモフラージュ生成のための解釈可能性を持つ知識検索拡張手法である。 実験の結果,本手法は既存の手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2024-03-30T08:51:23Z)
• Vision-Based Cranberry Crop Ripening Assessment [1.8434042562191815]
  この研究は、コンピュータビジョンを用いた熟成の定量的評価において、最初のものである。 ワインのブドウ、オリーブ、ブルーベリー、トウモロコシなどクランベリー以外の作物にも影響がある。
  論文  参考訳（メタデータ） (2023-08-31T14:58:11Z)
• HarvestNet: A Dataset for Detecting Smallholder Farming Activity Using Harvest Piles and Remote Sensing [50.4506590177605]
  HarvestNetは、2020-2023年のエチオピアのティグレイとアムハラの農場の存在をマッピングするためのデータセットである。 本研究は,多くの小作システムの特徴ある収穫杭の検出に基づく新しい手法を提案する。 本研究は, 農作物のリモートセンシングが, 食品の安全地帯において, よりタイムリーかつ正確な農地評価に寄与することが示唆された。
  論文  参考訳（メタデータ） (2023-08-23T11:03:28Z)
• ZigZag: Universal Sampling-free Uncertainty Estimation Through Two-Step Inference [54.17205151960878]
  汎用的でデプロイが容易なサンプリング不要のアプローチを導入します。 我々は,最先端手法と同等の信頼性のある不確実性推定を,計算コストを著しく低減した形で生成する。
  論文  参考訳（メタデータ） (2022-11-21T13:23:09Z)
• 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)
• 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)
• AI on the Bog: Monitoring and Evaluating Cranberry Crop Risk [3.8902094267855163]
  本稿では,クランベリーオーバーヒートアセスメントをリアルタイムに実現し,支援するエンド・ツー・エンドのクランベリー健康モニタリングシステムを開発した。 ドローンによるフィールドデータと地上のスカイデータ収集システムを用いて、作物の健康分析に使用される複数の時点の映像を収集する。 太陽放射予測誤差は5～20分間の地平線で8.41-20.36%のMAPEであることが判明した。
  論文  参考訳（メタデータ） (2020-11-08T20:03:20Z)
• High-Throughput Image-Based Plant Stand Count Estimation Using Convolutional Neural Networks [23.67862313758282]
  早期の表現学的段階における画像ベースコーンスタンド数に対するディープラーニングに基づくアプローチであるDeepStandを提案する。 提案手法はトウモロコシの立ち位置を計測し,他の最先端の方法よりも優れる。
  論文  参考訳（メタデータ） (2020-10-23T17:28:29Z)
• Finding Berries: Segmentation and Counting of Cranberries using Point Supervision and Shape Priors [3.6704226968275258]
  本研究では,収量推定と日射予測を支援するために,クランベリーの同時分別と計数を行う深層学習手法を提案する。 このアプローチはTriple-S Networkと呼ばれ、農業シーンに典型的な既知の形状の物体に適合するように、形状が先行する3つの部分の損失を伴っている。 その結果, セグメント化性能は6.74%以上向上し, 最先端技術と比較して22.91%向上した。
  論文  参考訳（メタデータ） (2020-04-18T01:08:57Z)

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。