論文の概要: Efficient automated U-Net based tree crown delineation using UAV
multi-spectral imagery on embedded devices
- arxiv url: http://arxiv.org/abs/2107.07826v1
- Date: Fri, 16 Jul 2021 11:17:36 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-19 14:32:51.543967
- Title: Efficient automated U-Net based tree crown delineation using UAV
multi-spectral imagery on embedded devices
- Title（参考訳）: 組込みデバイスにおけるUAVマルチスペクトル画像を用いた効率的なU-Netベースツリークラウンのデライン化
- Authors: Kostas Blekos, Stavros Nousias, Aris S Lalos
- Abstract要約: ガイドラインのアプローチは、農業、環境、自然災害のモニタリングなど、様々な領域に重要な利益をもたらす。
ディープラーニングはコンピュータビジョンを変革し、機械翻訳を劇的に改善した。
マルチスペクトル画像を用いて効果的にトレーニングするU-Netベースツリーデライン化手法を提案するが,その上で単一スペクトル画像のデライン化を行うことができる。
- 参考スコア（独自算出の注目度）: 2.7393821783237184
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Delineation approaches provide significant benefits to various domains,
including agriculture, environmental and natural disasters monitoring. Most of
the work in the literature utilize traditional segmentation methods that
require a large amount of computational and storage resources. Deep learning
has transformed computer vision and dramatically improved machine translation,
though it requires massive dataset for training and significant resources for
inference. More importantly, energy-efficient embedded vision hardware
delivering real-time and robust performance is crucial in the aforementioned
application. In this work, we propose a U-Net based tree delineation method,
which is effectively trained using multi-spectral imagery but can then
delineate single-spectrum images. The deep architecture that also performs
localization, i.e., a class label corresponds to each pixel, has been
successfully used to allow training with a small set of segmented images. The
ground truth data were generated using traditional image denoising and
segmentation approaches. To be able to execute the proposed DNN efficiently in
embedded platforms designed for deep learning approaches, we employ traditional
model compression and acceleration methods. Extensive evaluation studies using
data collected from UAVs equipped with multi-spectral cameras demonstrate the
effectiveness of the proposed methods in terms of delineation accuracy and
execution efficiency.
- Abstract（参考訳）: ガイドラインのアプローチは、農業、環境、自然災害のモニタリングなど、様々な領域に重要な利益をもたらす。
文学作品の多くは、大量の計算資源とストレージリソースを必要とする伝統的なセグメンテーション手法を使用している。
ディープラーニングはコンピュータビジョンを変革し、機械翻訳を劇的に改善しましたが、トレーニングには膨大なデータセットと推論のための重要なリソースが必要です。
さらに重要なのは、上記のアプリケーションでは、リアルタイムで堅牢なパフォーマンスを提供するエネルギー効率の高い組み込みビジョンハードウェアが不可欠である。
本研究では,マルチスペクトル画像を用いて効果的にトレーニングされるU-Netベースのツリーデライン化手法を提案する。
ローカライゼーションを実行するディープアーキテクチャ、すなわち各ピクセルに対応するクラスラベルは、小さなセグメンテーションイメージのトレーニングを可能にするためにうまく使われています。
基底真理データは従来の画像復調法と分割法を用いて生成した。
ディープラーニングアプローチ用に設計された組込みプラットフォームで提案したDNNを効率的に実行できるようにするため,従来のモデル圧縮とアクセラレーション手法を用いる。
マルチスペクトルカメラを備えたUAVから収集したデータを用いた広範囲な評価研究は,デライン精度と実行効率の観点から提案手法の有効性を示す。
関連論文リスト
- Large-Scale Data-Free Knowledge Distillation for ImageNet via Multi-Resolution Data Generation [53.95204595640208]
Data-Free Knowledge Distillation (DFKD)は、教師モデルから生徒モデルへの知識伝達を可能にする高度な技術である。
従来のアプローチでは、実際の画像の情報を活用することなく、高解像度で合成画像を生成してきた。
MUSEは、クラスアクティベーションマップ(CAM)を使用して、低い解像度で画像を生成し、生成された画像が重要なクラス固有の特徴を保持することを保証する。
論文 参考訳（メタデータ） (2024-11-26T02:23:31Z) - Resource Efficient Perception for Vision Systems [0.0]
本研究では,高解像度画像に対するメモリ効率のパッチベース処理を活用することにより,これらの課題を軽減するためのフレームワークを提案する。
ローカルなパッチ情報と共にグローバルなコンテキスト表現が組み込まれており、画像の内容の包括的な理解を可能にする。
分類,オブジェクト検出,セグメンテーションにまたがる7つのベンチマークにおいて,本手法の有効性を示す。
論文 参考訳（メタデータ） (2024-05-12T05:33:00Z) - Deep Domain Adaptation: A Sim2Real Neural Approach for Improving Eye-Tracking Systems [80.62854148838359]
眼球画像のセグメンテーションは、最終視線推定に大きな影響を及ぼす眼球追跡の重要なステップである。
対象視線画像と合成訓練データとの重なり合いを測定するために,次元還元法を用いている。
提案手法は,シミュレーションと実世界のデータサンプルの相違に対処する際の頑健で,性能が向上する。
論文 参考訳（メタデータ） (2024-03-23T22:32:06Z) - MOCA: Self-supervised Representation Learning by Predicting Masked Online Codebook Assignments [72.6405488990753]
自己教師付き学習は、ビジョントランスフォーマーネットワークの欲求を軽減できる。
所望のプロパティを統一する単段および単段のMOCAを提案する。
我々は,様々な評価プロトコルにおいて,低照度設定と強力な実験結果に対して,最先端の新たな結果を得る。
論文 参考訳（メタデータ） (2023-07-18T15:46:20Z) - Domain Generalization for Mammographic Image Analysis with Contrastive
Learning [62.25104935889111]
効果的なディープラーニングモデルのトレーニングには、さまざまなスタイルと品質を備えた大規模なデータが必要である。
より優れたスタイルの一般化能力を備えた深層学習モデルを実現するために,新しいコントラスト学習法が開発された。
提案手法は,様々なベンダスタイルドメインのマンモグラムや,いくつかのパブリックデータセットを用いて,広範囲かつ厳密に評価されている。
論文 参考訳（メタデータ） (2023-04-20T11:40:21Z) - Multi-Task Self-Supervised Learning for Image Segmentation Task [0.0]
本稿では,深度予測と表面正規化を用いたマルチタスク学習によるセマンティックセグメンテーション性能向上のための自己指導手法を提案する。
2. マルチタスク学習に用いる異なる種類の重み付け技術(UW, Nash-MTL)の性能評価
論文 参考訳（メタデータ） (2023-02-05T21:25:59Z) - Deep Learning Computer Vision Algorithms for Real-time UAVs On-board
Camera Image Processing [77.34726150561087]
本稿では,ディープラーニングに基づくコンピュータビジョンアルゴリズムを用いて,小型UAVのリアルタイムセンサ処理を実現する方法について述べる。
すべてのアルゴリズムは、ディープニューラルネットワークに基づく最先端の画像処理手法を用いて開発されている。
論文 参考訳（メタデータ） (2022-11-02T11:10:42Z) - Object Localization Through a Single Multiple-Model Convolutional Neural
Network with a Specific Training Approach [0.0]
光畳み込みニューラルネットワーク(cnn)に対して,画像に対する関心領域を決定するための特別訓練手法を提案する。
ほぼ全てのCNNベースの検出器は、固定された入力サイズ画像を使用し、様々なオブジェクトサイズを扱う場合、性能が低下する可能性がある。
論文 参考訳（メタデータ） (2021-03-24T16:52:01Z) - Learning Collision-Free Space Detection from Stereo Images: Homography
Matrix Brings Better Data Augmentation [16.99302954185652]
少数のトレーニングサンプルを使用して、深い畳み込みニューラルネットワーク(DCNN)を訓練することは、依然としてオープンな課題です。
本稿では,dcnnの性能向上に有効なトレーニングデータ拡張手法について検討する。
論文 参考訳（メタデータ） (2020-12-14T19:14:35Z) - Visual Object Tracking by Segmentation with Graph Convolutional Network [7.729569666460712]
グラフ畳み込みネットワーク(GCN)モデルを用いて,スーパーピクセルベースのオブジェクトトラッキングを提案する。
提案モデルは,i)ラベル線形予測とi)各スーパーピクセルの構造認識特徴情報を統合した,汎用的なエンドツーエンドフレームワークを提供する。
論文 参考訳（メタデータ） (2020-09-05T12:43:21Z) - Two-shot Spatially-varying BRDF and Shape Estimation [89.29020624201708]
形状とSVBRDFを段階的に推定した新しいディープラーニングアーキテクチャを提案する。
ドメインランダム化された幾何学と現実的な材料を用いた大規模合成学習データセットを作成する。
合成データセットと実世界のデータセットの両方の実験により、合成データセットでトレーニングされたネットワークが、実世界の画像に対してうまく一般化できることが示されている。
論文 参考訳（メタデータ） (2020-04-01T12:56:13Z)
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。