論文の概要: An Applied Deep Learning Approach for Estimating Soybean Relative Maturity from UAV Imagery to Aid Plant Breeding Decisions

• arxiv url: http://arxiv.org/abs/2108.00952v1
• Date: Mon, 2 Aug 2021 14:53:58 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-03 15:26:09.237605
• Title: An Applied Deep Learning Approach for Estimating Soybean Relative Maturity from UAV Imagery to Aid Plant Breeding Decisions
• Title（参考訳）: uav画像から大豆の相対成熟度を推定する深層学習手法による植物の育種決定支援
• Authors: Saba Moeinizade, Hieu Pham, Ye Han, Austin Dobbels, Guiping Hu
• Abstract要約: 我々は,UAV画像の時系列を用いて,大豆の相対的成熟度を推定するための頑健で自動的なアプローチを開発した。 畳み込みニューラルネットワーク(CNN)とLong Short-Term Memory(LSTM)を組み合わせたエンドツーエンドハイブリッドモデルを提案する。 その結果,CNN-LSTMモデルの有効性を局所回帰法と比較した。
• 参考スコア（独自算出の注目度）: 7.4022258821325115
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: For a global breeding organization, identifying the next generation of superior crops is vital for its success. Recognizing new genetic varieties requires years of in-field testing to gather data about the crop's yield, pest resistance, heat resistance, etc. At the conclusion of the growing season, organizations need to determine which varieties will be advanced to the next growing season (or sold to farmers) and which ones will be discarded from the candidate pool. Specifically for soybeans, identifying their relative maturity is a vital piece of information used for advancement decisions. However, this trait needs to be physically observed, and there are resource limitations (time, money, etc.) that bottleneck the data collection process. To combat this, breeding organizations are moving toward advanced image capturing devices. In this paper, we develop a robust and automatic approach for estimating the relative maturity of soybeans using a time series of UAV images. An end-to-end hybrid model combining Convolutional Neural Networks (CNN) and Long Short-Term Memory (LSTM) is proposed to extract features and capture the sequential behavior of time series data. The proposed deep learning model was tested on six different environments across the United States. Results suggest the effectiveness of our proposed CNN-LSTM model compared to the local regression method. Furthermore, we demonstrate how this newfound information can be used to aid in plant breeding advancement decisions.
• Abstract（参考訳）: 地球規模の育種組織では、次世代の優良作物を特定することが成功に不可欠である。 新しい遺伝的品種を認識するには、作物の収量、害虫耐性、耐熱性などに関するデータを集めるために、長年のフィールドテストが必要となる。 成長期が終わると、組織はどの品種が次の成長期(または農家に売られる)に進行し、どの品種が候補プールから廃棄されるかを決定する必要がある。 特に大豆の場合、その相対的な成熟度は、進歩決定に使用される重要な情報である。 しかし、この特性を物理的に観察する必要があるため、リソースの制限(時間、お金など)がある。 データ収集プロセスのボトルネックになります これに対抗するために、育種組織は高度な撮像装置に向かっている。 本稿では,UAV画像の時系列を用いて,大豆の相対的成熟度を推定するための頑健で自動的なアプローチを開発する。 The end-to-end hybrid model using Convolutional Neural Networks (CNN) and Long Short-Term Memory (LSTM) was proposed to extract features and capture the sequence behavior of time series data。 提案されたディープラーニングモデルは、米国中の6つの異なる環境でテストされた。 その結果,CNN-LSTMモデルの有効性を局所回帰法と比較した。 さらに,この新たな知見が植物育種促進決定にどのように役立つかを示す。

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)
• Agave crop segmentation and maturity classification with deep learning data-centric strategies using very high-resolution satellite imagery [101.18253437732933]
  超高解像度衛星画像を用いたAgave tequilana Weber azul crop segmentation and mature classificationを提案する。 実世界の深層学習問題を,作物の選別という非常に具体的な文脈で解決する。 結果として得られた正確なモデルにより、大規模地域で生産予測を行うことができる。
  論文  参考訳（メタデータ） (2023-03-21T03:15:29Z)
• Generative models-based data labeling for deep networks regression: application to seed maturity estimation from UAV multispectral images [3.6868861317674524]
  種子の成熟度モニタリングは、気候変動とより制限的な慣行による農業における課題の増加である。 従来の手法は、フィールドでの限られたサンプリングと実験室での分析に基づいている。 マルチスペクトルUAV画像を用いたパセリ種子の成熟度推定手法の提案と,自動ラベリングのための新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2022-08-09T09:06:51Z)
• 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)
• Continual Learning for Blind Image Quality Assessment [80.55119990128419]
  ブラインド画像品質評価(BIQA)モデルは、サブポピュレーションシフトに継続的に適応できない。 最近の研究では、利用可能なすべての人間評価のIQAデータセットの組み合わせに関するBIQAメソッドのトレーニングが推奨されている。 モデルがIQAデータセットのストリームから継続的に学習するBIQAの継続的学習を策定する。
  論文  参考訳（メタデータ） (2021-02-19T03:07:01Z)
• Deep Multi-view Image Fusion for Soybean Yield Estimation in Breeding Applications Deep Multi-view Image Fusion for Soybean Yield Estimation in Breeding Applications [7.450586438835518]
  本研究の目的は,ダイズポッドカウントに適応する機械学習(ML)アプローチを開発することである。 ディープラーニングアーキテクチャを用いた多視点画像に基づく収量推定フレームワークを開発した。 以上の結果から,MLモデルが時間と労力を大幅に削減して繁殖決定を下すことが示唆された。
  論文  参考訳（メタデータ） (2020-11-13T20:37:04Z)
• 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)
• Deep Low-Shot Learning for Biological Image Classification and Visualization from Limited Training Samples [52.549928980694695]
  In situ hybridization (ISH) gene expression pattern image from the same developmental stage。 正確な段階のトレーニングデータをラベル付けするのは、生物学者にとっても非常に時間がかかる。 限られた訓練画像を用いてISH画像を正確に分類する2段階の低ショット学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-10-20T06:06:06Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)

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。