Fugu-MT 論文翻訳(概要): Seed Classification using Synthetic Image Datasets Generated from Low-Altitude UAV Imagery

論文の概要: Seed Classification using Synthetic Image Datasets Generated from Low-Altitude UAV Imagery

arxiv url: http://arxiv.org/abs/2110.02846v1
Date: Wed, 6 Oct 2021 15:18:17 GMT
ステータス: 処理完了
システム内更新日: 2021-10-07 21:03:26.036995
Title: Seed Classification using Synthetic Image Datasets Generated from Low-Altitude UAV Imagery
Title（参考訳）: 低高度UAV画像からの合成画像データセットを用いた種子分類
Authors: Venkat Margapuri, Niketa Penumajji, Mitchell Neilsen
Abstract要約: 植物育種プログラムは、種子認証のためのシードカーネルの進化を広範囲に監視する。種子核の極小サイズのため、種子核のモニタリングは困難である。この記事では、MicrosoftのResNet-100、オックスフォードのVGG-16、VGG-19の畳み込みニューラルネットワークを使用した概念実証としてのシード分類フレームワークを提案する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Plant breeding programs extensively monitor the evolution of seed kernels for seed certification, wherein lies the need to appropriately label the seed kernels by type and quality. However, the breeding environments are large where the monitoring of seed kernels can be challenging due to the minuscule size of seed kernels. The use of unmanned aerial vehicles aids in seed monitoring and labeling since they can capture images at low altitudes whilst being able to access even the remotest areas in the environment. A key bottleneck in the labeling of seeds using UAV imagery is drone altitude i.e. the classification accuracy decreases as the altitude increases due to lower image detail. Convolutional neural networks are a great tool for multi-class image classification when there is a training dataset that closely represents the different scenarios that the network might encounter during evaluation. The article addresses the challenge of training data creation using Domain Randomization wherein synthetic image datasets are generated from a meager sample of seeds captured by the bottom camera of an autonomously driven Parrot AR Drone 2.0. Besides, the article proposes a seed classification framework as a proof-of-concept using the convolutional neural networks of Microsoft's ResNet-100, Oxford's VGG-16, and VGG-19. To enhance the classification accuracy of the framework, an ensemble model is developed resulting in an overall accuracy of 94.6%.
Abstract（参考訳）: 植物の育種プログラムは、種核の種認証のための進化を広範囲に監視し、種核の種類と品質を適切に分類する必要がある。しかし、育種環境は大きいため、種子核の極小サイズのため、種子核のモニタリングは困難である可能性がある。無人航空機の使用は、環境の最も遠い地域にもアクセスできながら、低高度で画像を撮影できるため、種子の監視やラベル付けに役立っている。 UAV画像を用いた種子のラベル付けにおける重要なボトルネックは、ドローンの高度である。畳み込みニューラルネットワークは、評価中にネットワークが遭遇する可能性のあるさまざまなシナリオを綿密に表現したトレーニングデータセットが存在する場合、マルチクラスの画像分類に最適なツールである。この論文は、自律駆動parrot ar drone 2.0のボトムカメラで撮影された種子のサンプルから合成画像データセットを生成するドメインランダム化を用いたトレーニングデータ作成の課題に対処する。さらに、MicrosoftのResNet-100、オックスフォードのVGG-16、VGG-19の畳み込みニューラルネットワークを使用した概念実証として、シード分類フレームワークを提案する。フレームワークの分類精度を向上させるため、アンサンブルモデルが開発され、全体の精度が94.6%となる。

関連論文リスト

Fine-grained Recognition with Learnable Semantic Data Augmentation [68.48892326854494]
きめ細かい画像認識は、長年続くコンピュータビジョンの課題である。本稿では,識別領域損失問題を軽減するため,特徴レベルのトレーニングデータを多様化することを提案する。本手法は,いくつかの人気分類ネットワーク上での一般化性能を著しく向上させる。
論文参考訳（メタデータ） (2023-09-01T11:15:50Z)
Traditional Classification Neural Networks are Good Generators: They are Competitive with DDPMs and GANs [104.72108627191041]
従来のニューラルネットワーク分類器は、最先端の生成モデルに匹敵する高品質な画像を生成することができることを示す。マスクをベースとした再構成モジュールを提案し, 意味的勾配を意識し, 可視画像の合成を行う。また,本手法は,画像テキスト基盤モデルに関して,テキスト・画像生成にも適用可能であることを示す。
論文参考訳（メタデータ） (2022-11-27T11:25:35Z)
Tree species classification from hyperspectral data using graph-regularized neural networks [11.049203564925634]
木種分類のためのグラフ正規化ニューラルネットワーク(GRNN)を提案する。提案アルゴリズムは,グラフ構築のためのスーパーピクセルベースセグメンテーション,画素ワイドニューラルネットワーク分類器,ラベル伝搬技術を含む。 GRNNは、フランス領ギアナの異質林で収集された新しいHSIデータセットに対して、高い分類精度(約92%)を達成する。
論文参考訳（メタデータ） (2022-08-18T07:17:40Z)
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)
High-Resolution UAV Image Generation for Sorghum Panicle Detection [23.88932181375298]
本稿では,データ拡張のためのGAN(Generative Adversarial Network)からの合成トレーニング画像を用いて,ソルガムパニックの検出とカウントの性能を向上させる手法を提案する。提案手法は,実際のUAV RGB画像の地上真実データセットを限定した画像から画像への変換GANを用いて,パニックラベルを用いた合成高解像度UAV RGB画像を生成することができる。
論文参考訳（メタデータ） (2022-05-08T20:26:56Z)
Weed Recognition using Deep Learning Techniques on Class-imbalanced Imagery [4.96981595868944]
我々は,最先端の5つのディープニューラルネットワークを調査し,雑草認識の性能評価を行った。 VGG16は小規模データセットで他より優れ、ResNet-50は大規模データセットで他のディープネットワークよりも優れていた。
論文参考訳（メタデータ） (2021-12-15T01:00:05Z)
SpectralFormer: Rethinking Hyperspectral Image Classification with Transformers [91.09957836250209]
ハイパースペクトル(HS)画像は、ほぼ連続したスペクトル情報によって特徴づけられる。 CNNは、HS画像分類において強力な特徴抽出器であることが証明されている。我々は、HS画像分類のためのulSpectralFormerと呼ばれる新しいバックボーンネットワークを提案する。
論文参考訳（メタデータ） (2021-07-07T02:59:21Z)
Classification of Seeds using Domain Randomization on Self-Supervised Learning Frameworks [0.0]
鍵となるボトルネックは、畳み込みニューラルネットワーク(CNN)をトレーニングする大量のラベル付きデータの必要性である。この研究は、これを達成するために、コントラスト学習とドメインランダム化の概念を活用している。実世界の画像の表象的サンプル作物から生成された合成画像の使用は、大量のテスト対象の必要性を軽減する。
論文参考訳（メタデータ） (2021-03-29T12:50:06Z)
Semi-supervised deep learning based on label propagation in a 2D embedded space [117.9296191012968]
提案されたソリューションは、少数の教師なしイメージから多数の教師なしイメージにラベルを伝達し、ディープニューラルネットワークモデルをトレーニングする。本稿では、より正確なラベル付きサンプルを反復してセットから深層ニューラルネットワーク(VGG-16)をトレーニングするループを提案する。ラベル付きセットがイテレーションに沿って改善されるにつれて、ニューラルネットワークの機能が改善される。
論文参考訳（メタデータ） (2020-08-02T20:08:54Z)
Two-View Fine-grained Classification of Plant Species [66.75915278733197]
本研究では,2視点の葉のイメージ表現に基づく新しい手法と,植物種の粒度認識のための階層的分類戦略を提案する。シームズ畳み込みニューラルネットワークに基づく深度測定は、多数のトレーニングサンプルへの依存を減らし、新しい植物種に拡張性を持たせるために用いられる。
論文参考訳（メタデータ） (2020-05-18T21:57:47Z)

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。