論文の概要: What Does TERRA-REF's High Resolution, Multi Sensor Plant Sensing Public
Domain Data Offer the Computer Vision Community?
- arxiv url: http://arxiv.org/abs/2107.14072v1
- Date: Thu, 29 Jul 2021 15:01:29 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-30 16:43:28.480853
- Title: What Does TERRA-REF's High Resolution, Multi Sensor Plant Sensing Public
Domain Data Offer the Computer Vision Community?
- Title（参考訳）: TERRA-REFの高分解能マルチセンサー・プラントはコンピュータビジョン・コミュニティに何をもたらすのか?
- Authors: David LeBauer, Max Burnette, Noah Fahlgren, Rob Kooper, Kenton
McHenry, Abby Stylianou
- Abstract要約: TERRA-REFプログラムは、ガントリーシステムに高解像度の最先端技術センサー群を配置した。
このセンサーデータは、新しい機械学習モデルのトレーニングに使用できる60種類以上の伝統的な植物計測と共に提供される。
TERRA-REFシステムは4年と10年で1PB以上のセンサーデータと約4500万のファイルを生成しました。
- 参考スコア（独自算出の注目度）: 2.9010546489056415
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A core objective of the TERRA-REF project was to generate an open-access
reference dataset for the study of evaluation of sensing technology to study
plants under field conditions. The TERRA-REF program deployed a suite of high
resolution, cutting edge technology sensors on a gantry system with the aim of
scanning 1 hectare (~$10^4$ m) at around $1 mm^2$ spatial resolution multiple
times per week. The system contains co-located sensors including a stereo-pair
RGB camera, a thermal imager, a laser scanner to capture 3D structure, and two
hyperspectral cameras covering wavelengths of 300-2500nm. This sensor data is
provided alongside over sixty types of traditional plant measurements that can
be used to train new machine learning models. Associated weather and
environmental measurements, information about agronomic management and
experimental design, and the genomic sequences of hundreds of plant varieties
have been collected and are available alongside the sensor and plant trait
(phenotype) data.
Over the course of four years and ten growing seasons, the TERRA-REF system
generated over 1 PB of sensor data and almost 45 million files. The subset that
has been released to the public domain accounts for two seasons and about half
of the total data volume. This provides an unprecedented opportunity for
investigations far beyond the core biological scope of the project.
This focus of this paper is to provide the Computer Vision and Machine
Learning communities an overview of the available data and some potential
applications of this one of a kind data.
- Abstract（参考訳）: TERRA-REFプロジェクトの中心的な目的は、フィールド条件下で植物を研究するためのセンシング技術の評価研究のためのオープンアクセス参照データセットを作成することである。
TERRA-REFプログラムは1ヘクタール (~10^4$ m) を1週間に約1 mm^2$の空間分解能でスキャンすることを目的として、高解像度で最先端の技術センサーをガントリーシステムに展開した。
このシステムは、ステレオペアRGBカメラ、サーマルイメージ装置、レーザースキャナーで3D構造を捉え、300-2500nmの波長をカバーする2つのハイパースペクトルカメラを含む。
このセンサーデータは、新しい機械学習モデルのトレーニングに使用できる60種類以上の伝統的な植物計測と共に提供される。
気象・環境計測、農業管理・実験設計に関する情報、数百種の植物種のゲノム配列が収集され、センサーおよび植物形質(フェノタイプ)データとともに利用可能である。
TERRA-REFシステムは4年と10年で1PB以上のセンサーデータと約4500万のファイルを生成しました。
パブリックドメインにリリースされたサブセットは2シーズンで、総データ量の約半分を占めている。
これは、プロジェクトのコア生物学的スコープをはるかに超えた調査に、前例のない機会を提供する。
本稿では,コンピュータビジョンと機械学習のコミュニティに対して,利用可能なデータの概要と,この種のデータの潜在的応用について述べる。
関連論文リスト
- Commissioning An All-Sky Infrared Camera Array for Detection Of Airborne Objects [0.11703603440337004]
ガリレオ計画では、空を継続的に監視する多モード地上観測所を設計、建設、委託している。
鍵となる機器の1つは、8つの冷却されていない長波長のFLIRボソン640カメラを使用した全天型赤外線カメラアレイである。
各種気象条件に対する受入率(観測可能な航空機等)と検出効率(検出に成功している航空機等)を報告する。
おもちゃのアウトリーチは2次元再構成トラジェクトリーフラッグの大きな不純物に焦点を絞ったもので、トラジェクトリーの約16%をアウトリーチとして用いた。
論文 参考訳（メタデータ） (2024-11-12T17:31:51Z) - Soil nitrogen forecasting from environmental variables provided by multisensor remote sensing images [0.0]
本研究では、リモートセンシング画像や機械学習手法を含むマルチモーダルデータを活用することにより、土壌窒素含量を予測するためのフレームワークを提案する。
我々は、ヨーロッパとイギリスの領域をカバーするLand Use/Land Cover Area Frame Survey (LUCAS)データベースと、衛星センサーからの環境変数を統合し、新しい特徴のデータセットを作成する。
農耕地や草地など,様々な土地被覆クラスで提案手法を検証し,このアプローチの堅牢性を確保する。
論文 参考訳（メタデータ） (2024-06-14T08:10:44Z) - LiDAR data acquisition and processing for ecology applications [0.0]
地球レーザースキャナー (TLS) は、植生の3次元構造を再構築するために生態学に用いられている。
LiDARの向きは垂直面で観測するために変更され、モーターが回転するために統合された。
得られたデータから,植生高さに沿った点密度変動のヒストグラムを作成した。
論文 参考訳（メタデータ） (2024-01-11T13:03:27Z) - Multimodal Dataset for Localization, Mapping and Crop Monitoring in
Citrus Tree Farms [7.666806082770633]
このデータセットは、深度情報を備えたステレオRGB画像と、モノクロ、近赤外線、熱画像を提供する。
データセットは、キツネの3つの畑で収集された7つの配列から構成される。
総運転時間は1.7時間、走行距離は7.5km、データ量は1.3TBである。
論文 参考訳（メタデータ） (2023-09-27T00:30:08Z) - Multimodal Dataset from Harsh Sub-Terranean Environment with Aerosol
Particles for Frontier Exploration [55.41644538483948]
本稿では, エアロゾル粒子を用いた過酷で非構造的な地下環境からのマルチモーダルデータセットを提案する。
ロボットオペレーティング・システム(ROS)フォーマットのすべてのオンボードセンサーから、同期された生データ計測を含んでいる。
本研究の焦点は、時間的・空間的なデータの多様性を捉えることだけでなく、取得したデータに厳しい条件が及ぼす影響を示すことである。
論文 参考訳（メタデータ） (2023-04-27T20:21:18Z) - Extended Agriculture-Vision: An Extension of a Large Aerial Image
Dataset for Agricultural Pattern Analysis [11.133807938044804]
農業ビジョンデータセットの改良版(Chiu et al., 2020b)をリリースする。
このデータセットは,3600大,高解像度(10cm/ピクセル),フルフィールド,赤緑色,近赤外画像の事前トレーニングにより拡張する。
下流分類とセマンティックセグメンテーションの両タスクにおいて、異なるコントラスト学習アプローチをベンチマークすることで、このデータの有用性を実証する。
論文 参考訳（メタデータ） (2023-03-04T17:35:24Z) - Environmental Sensor Placement with Convolutional Gaussian Neural
Processes [65.13973319334625]
センサーは、特に南極のような遠隔地において、その測定の情報量が最大になるように配置することは困難である。
確率論的機械学習モデルは、予測の不確実性を最大限に低減するサイトを見つけることによって、情報的センサ配置を提案することができる。
本稿では,これらの問題に対処するために,畳み込み型ガウスニューラルプロセス(ConvGNP)を提案する。
論文 参考訳（メタデータ） (2022-11-18T17:25:14Z) - Semantic Segmentation of Vegetation in Remote Sensing Imagery Using Deep
Learning [77.34726150561087]
本稿では,公開されているリモートセンシングデータからなるマルチモーダル・大規模時間データセットを作成するためのアプローチを提案する。
我々は、異なる種類の植生を分離できる畳み込みニューラルネットワーク(CNN)モデルを使用する。
論文 参考訳（メタデータ） (2022-09-28T18:51:59Z) - MIPI 2022 Challenge on RGB+ToF Depth Completion: Dataset and Report [92.61915017739895]
本稿では,新しい画像センサと撮像アルゴリズムに着目した5つのトラックを含むMIPIの最初の課題を紹介する。
参加者にはTetrasRGBDという,高品質な合成RGB+Depthトレーニングデータ18万組と,混合ソースからの2.3万組のテストデータを含む,新たなデータセットが提供される。
最終結果は客観的指標と平均オピニオンスコア(MOS)を主観的に評価する。
論文 参考訳（メタデータ） (2022-09-15T05:31:53Z) - Satellite Image Time Series Analysis for Big Earth Observation Data [50.591267188664666]
本稿では,機械学習を用いた衛星画像時系列解析のためのオープンソースRパッケージである sit について述べる。
本手法は, Cerrado Biome のケーススタディにより, 土地利用と土地被覆マップの精度が高いことを示す。
論文 参考訳（メタデータ） (2022-04-24T15:23:25Z) - 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)
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。