論文の概要: A Novel CropdocNet for Automated Potato Late Blight Disease Detection
from the Unmanned Aerial Vehicle-based Hyperspectral Imagery
- arxiv url: http://arxiv.org/abs/2107.13277v1
- Date: Wed, 28 Jul 2021 11:18:48 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-29 19:21:56.382248
- Title: A Novel CropdocNet for Automated Potato Late Blight Disease Detection
from the Unmanned Aerial Vehicle-based Hyperspectral Imagery
- Title（参考訳）: 無人航空機用ハイパースペクトル画像からのポテト遅延病自動検出のための新しいクロプトックネット
- Authors: Yue Shi, Liangxiu Han, Anthony Kleerekoper, Sheng Chang, Tongle Hu
- Abstract要約: 晩発病はジャガイモの作物で最も破壊的な病気の1つであり、世界中で深刻な収量減少につながっている。
作物病の診断における現在の農業慣行は、個人のバイアスを受けるコスト、時間のかかる手動の視覚検査に基づいている。
近年の撮像センサー(RGB、多重スペクトルカメラ、ハイパースペクトルカメラなど)、リモートセンシング、機械学習は、この課題に対処する機会を提供する。
- 参考スコア（独自算出の注目度）: 3.3283767441645478
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Late blight disease is one of the most destructive diseases in potato crop,
leading to serious yield losses globally. Accurate diagnosis of the disease at
early stage is critical for precision disease control and management. Current
farm practices in crop disease diagnosis are based on manual visual inspection,
which is costly, time consuming, subject to individual bias. Recent advances in
imaging sensors (e.g. RGB, multiple spectral and hyperspectral cameras), remote
sensing and machine learning offer the opportunity to address this challenge.
Particularly, hyperspectral imagery (HSI) combining with machine learning/deep
learning approaches is preferable for accurately identifying specific plant
diseases because the HSI consists of a wide range of high-quality reflectance
information beyond human vision, capable of capturing both spectral-spatial
information. The proposed method considers the potential disease specific
reflectance radiation variance caused by the canopy structural diversity,
introduces the multiple capsule layers to model the hierarchical structure of
the spectral-spatial disease attributes with the encapsulated features to
represent the various classes and the rotation invariance of the disease
attributes in the feature space. We have evaluated the proposed method with the
real UAV-based HSI data under the controlled field conditions. The
effectiveness of the hierarchical features has been quantitatively assessed and
compared with the existing representative machine learning/deep learning
methods. The experiment results show that the proposed model significantly
improves the accuracy performance when considering hierarchical-structure of
spectral-spatial features, comparing to the existing methods only using
spectral, or spatial or spectral-spatial features without consider
hierarchical-structure of spectral-spatial features.
- Abstract（参考訳）: 晩発病はジャガイモの作物で最も破壊的な病気の1つであり、世界中で深刻な収量減少につながっている。
早期疾患の正確な診断は、精密疾患のコントロールと管理に重要である。
作物病の診断における現在の農業慣行は、個人のバイアスを受けるコスト、時間のかかる手動の視覚検査に基づいている。
撮像センサの最近の進歩(例)
RGB、複数のスペクトルとハイパースペクトルカメラ、リモートセンシングと機械学習は、この課題に対処する機会を提供する。
特に、ハイパースペクトル画像(HSI)と機械学習/深層学習のアプローチを組み合わせることで、HSIは人間の視覚を超えた幅広い高品質の反射情報から構成されており、両方のスペクトル空間情報を捉えることができるため、特定の植物疾患を正確に識別することが好ましい。
提案手法は,キャノピー構造多様性に起因する潜在的疾患特異的反射率放射変動を考慮し,複数のカプセル層を導入し,スペクトル・空間的疾患属性の階層構造をカプセル化特徴でモデル化し,様々な分類と特徴空間における疾患属性の回転不変性を表現する。
制御フィールド条件下で、実際のUAVベースのHSIデータを用いて提案手法の評価を行った。
階層的特徴の有効性を定量的に評価し,既存の機械学習/深層学習手法と比較した。
実験の結果,スペクトル空間特徴の階層構造を考慮せず,従来のスペクトル空間特徴と空間空間空間特徴とスペクトル空間特徴のみを用いた手法と比較して,スペクトル空間特徴の階層構造を考慮した場合の精度が著しく向上した。
関連論文リスト
- Multiscale Latent Diffusion Model for Enhanced Feature Extraction from Medical Images [5.395912799904941]
CTスキャナーモデルと取得プロトコルのバリエーションは、抽出した放射能特性に有意な変動をもたらす。
LTDiff++は医療画像の特徴抽出を強化するために設計されたマルチスケール潜在拡散モデルである。
論文 参考訳（メタデータ） (2024-10-05T02:13:57Z) - Self-supervised Fusarium Head Blight Detection with Hyperspectral Image and Feature Mining [6.252899116304227]
フサリウムヘッドブライト(Fusarium Head Blight、FHB)は小麦(ダラムを含む)、大麦、オート麦、その他の小さな穀物、トウモロコシに深刻な菌類病である。
伝統的に、訓練された農学者や測量士は、労働集約的で非現実的でスケールが難しい手動の識別を行う。
ディープラーニングとハイパースペクトルイメージング(HSI)とリモートセンシング(RS)技術の進歩により、ディープラーニング、特にコナールニューラルネットワーク(CNN)が有望なソリューションとして登場してきた。
論文 参考訳（メタデータ） (2024-08-31T09:09:02Z) - StealthDiffusion: Towards Evading Diffusion Forensic Detection through Diffusion Model [62.25424831998405]
StealthDiffusionは、AI生成した画像を高品質で受け入れがたい敵の例に修正するフレームワークである。
ホワイトボックスとブラックボックスの設定の両方で有効であり、AI生成した画像を高品質な敵の偽造に変換する。
論文 参考訳（メタデータ） (2024-08-11T01:22:29Z) - Hierarchical Salient Patch Identification for Interpretable Fundus Disease Localization [4.714335699701277]
階層型サルエントパッチ同定法 (HSPI) を考案した。
HSPIは、画像レベルのラベルとニューラルネットワーク分類器(NNC)のみを用いて、解釈可能な疾患の局在を達成できる
本研究は,眼底画像データセットの病巣局所化実験を行い,従来の解釈可能な帰属法と比較して,複数の評価指標の最良の性能を実現する。
論文 参考訳（メタデータ） (2024-05-23T09:07:21Z) - Evaluation of the potential of Near Infrared Hyperspectral Imaging for
monitoring the invasive brown marmorated stink bug [53.682955739083056]
BMSB(Halyomorpha halys)は、数種の作物を害する世界的重要性の害虫である。
本研究は、BMSB検体を検出する技術として、NIR-HSI(Near Infrared Hyperspectral Imaging)を実験室レベルで予備評価する。
論文 参考訳（メタデータ） (2023-01-19T11:37:20Z) - Feature Representation Learning for Robust Retinal Disease Detection
from Optical Coherence Tomography Images [0.0]
眼科画像は、異なる網膜変性疾患を区別する自動化技術で失敗する、同一の外観の病理を含んでいる可能性がある。
本研究では,3つの学習ヘッドを持つ堅牢な疾患検出アーキテクチャを提案する。
2つのOCTデータセットによる実験結果から,提案モデルが既存の最先端モデルよりも精度,解釈可能性,堅牢性に優れ,網膜外網膜疾患の検出に有用であることが示唆された。
論文 参考訳（メタデータ） (2022-06-24T07:59:36Z) - Texture Characterization of Histopathologic Images Using Ecological
Diversity Measures and Discrete Wavelet Transform [82.53597363161228]
本稿では,病理組織像間でテクスチャを特徴付ける手法を提案する。
2つのHIデータセットに有望な精度で、そのような画像の固有特性を定量化することが可能である。
論文 参考訳（メタデータ） (2022-02-27T02:19:09Z) - 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) - Cross-Site Severity Assessment of COVID-19 from CT Images via Domain
Adaptation [64.59521853145368]
CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。
ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。
この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
論文 参考訳（メタデータ） (2021-09-08T07:56:51Z) - An Interpretable Multiple-Instance Approach for the Detection of
referable Diabetic Retinopathy from Fundus Images [72.94446225783697]
基礎画像における参照糖尿病網膜症検出のための機械学習システムを提案する。
画像パッチから局所情報を抽出し,アテンション機構により効率的に組み合わせることで,高い分類精度を実現することができる。
我々は,現在入手可能な網膜画像データセットに対するアプローチを評価し,最先端の性能を示す。
論文 参考訳（メタデータ） (2021-03-02T13:14:15Z) - Image-based Plant Disease Diagnosis with Unsupervised Anomaly Detection
Based on Reconstructability of Colors [0.0]
画像に基づく植物病診断のための教師なし異常検出手法を提案する。
提案手法は,pix2pixと呼ばれる条件付き対向ネットワークを利用した植物病検出のための新しい画像ベースフレームワークを含む。
PlantVillageデータセットを用いた実験では,既存の異常検出装置と比較して提案手法の優位性を示した。
論文 参考訳（メタデータ） (2020-11-29T07:44:05Z)
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。