論文の概要: Automated Feature-Specific Tree Species Identification from Natural Images using Deep Semi-Supervised Learning

• arxiv url: http://arxiv.org/abs/2110.03994v1
• Date: Fri, 8 Oct 2021 09:25:32 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-11 22:03:57.301302
• Title: Automated Feature-Specific Tree Species Identification from Natural Images using Deep Semi-Supervised Learning
• Title（参考訳）: 深層半監督学習を用いた自然画像からの特徴種自動同定
• Authors: Dewald Homan (1), Johan A. du Preez (1) ((1) Faculty of Engineering, Stellenbosch University)
• Abstract要約: 本稿では,実世界の自然環境において木を識別できる,新しい2倍の頑健なアプローチを提案する。 我々は、深い半教師付き学習を通じて、未学習データを活用し、教師付き学習よりも優れた性能を示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Prior work on plant species classification predominantly focuses on building models from isolated plant attributes. Hence, there is a need for tools that can assist in species identification in the natural world. We present a novel and robust two-fold approach capable of identifying trees in a real-world natural setting. Further, we leverage unlabelled data through deep semi-supervised learning and demonstrate superior performance to supervised learning. Our single-GPU implementation for feature recognition uses minimal annotated data and achieves accuracies of 93.96% and 93.11% for leaves and bark, respectively. Further, we extract feature-specific datasets of 50 species by employing this technique. Finally, our semi-supervised species classification method attains 94.04% top-5 accuracy for leaves and 83.04% top-5 accuracy for bark.
• Abstract（参考訳）: 植物種分類の先行研究は、主に分離された植物属性からモデルを構築することに焦点を当てている。 そのため、自然界における種識別を支援するツールが必要となる。 本研究では,実世界の自然環境において木を識別できる新しい2次元アプローチを提案する。 さらに,半教師付き学習を通してラベルなしデータを活用することにより,教師付き学習に優れた性能を示す。 特徴認識のためのシングルGPU実装では、最小限のアノテートデータを使用し、それぞれ93.96%と93.11%の精度を実現しています。 さらに,本手法を用いて50種の特徴特異的データセットを抽出する。 最後に,半教師付き種分類法は葉のtop-5精度94.04%,樹皮のtop-5精度83.04%を達成した。

関連論文リスト

• Tree Species Classification using Machine Learning and 3D Tomographic SAR -- a case study in Northern Europe [0.0]
  樹木種の分類は、自然保護、森林在庫、森林管理、絶滅危惧種の保護において重要な役割を担っている。 本研究では,SLC(Single-look Complex)画像のスタックを利用した3次元トモグラフィーデータセットであるTtomoSenseを用いた。
  論文  参考訳（メタデータ） (2024-11-19T22:25:26Z)
• Mining Field Data for Tree Species Recognition at Scale [1.264462543503282]
  本研究では,森林目録データから種ラベルを自動的に抽出する手法を提案する。 空中画像のツリーインスタンスを識別し,人間による関与がほとんどないフィールドデータと照合する。
  論文  参考訳（メタデータ） (2024-08-28T14:25:35Z)
• Whole-body Detection, Recognition and Identification at Altitude and Range [57.445372305202405]
  多様なデータセットに基づいて評価したエンドツーエンドシステムを提案する。 我々のアプローチでは、一般的な画像データセットで検出器を事前トレーニングし、BRIARの複雑なビデオや画像でそれを微調整する。 屋内・屋外・航空シナリオにおける様々な範囲や角度の異なる条件下で徹底的な評価を行う。
  論文  参考訳（メタデータ） (2023-11-09T20:20:23Z)
• Species196: A One-Million Semi-supervised Dataset for Fine-grained Species Recognition [30.327642724046903]
  種196(英: species 196)は、196科の外来種の大規模な半教師付きデータセットである。 専門家レベルの正確なアノテーションである種196-Lと、侵入種196-Uの1.2M以上のラベルのない画像を集めている。
  論文  参考訳（メタデータ） (2023-09-25T14:46:01Z)
• Spatial Implicit Neural Representations for Global-Scale Species Mapping [72.92028508757281]
  ある種が観察された場所の集合を考えると、その種がどこにいても存在しないかを予測するためのモデルを構築することが目的である。 従来の手法は、新たな大規模クラウドソースデータセットを活用するのに苦労している。 本研究では,47k種の地理的範囲を同時に推定するために,空間入射ニューラル表現(SINR)を用いる。
  論文  参考訳（メタデータ） (2023-06-05T03:36:01Z)
• Semantic Image Segmentation with Deep Learning for Vine Leaf Phenotyping [59.0626764544669]
  本研究では,ブドウの葉のイメージを意味的にセグメント化するためにDeep Learning法を用いて,葉の表現型自動検出システムを開発した。 私たちの研究は、成長や開発のような動的な特性を捉え定量化できる植物ライフサイクルのモニタリングに寄与します。
  論文  参考訳（メタデータ） (2022-10-24T14:37:09Z)
• Automated Identification of Tree Species by Bark Texture Classification Using Convolutional Neural Networks [0.0]
  樹木種の同定は、森林保全、病気の診断、植物生産といった森林関連業務において重要な役割を担っている。 木の一部が葉、果物、花、樹皮であるべきか、区別するために使用されるのかという議論があった。 本稿では,50種の木を分類するために,コンピュータビジョンの手法を活用することによって,ディープラーニングに基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2022-10-03T13:09:50Z)
• Plant Species Classification Using Transfer Learning by Pretrained Classifier VGG-19 [1.933681537640272]
  本稿では,スウェーデンの葉の色を分離し,植物種を同定する手法について述べる。 高い精度を達成するために、事前に訓練された分類器VGG-19の助けを借りて、伝達学習を用いてタスクを完了させる。 このモデルは15の木のクラスを含むスウェーデンの葉のデータセットの側面に関連する知識を取得し、99.70%の精度で未知の植物の適切なクラスを予測するのに役立つ。
  論文  参考訳（メタデータ） (2022-09-07T11:28:50Z)
• Compositional Fine-Grained Low-Shot Learning [58.53111180904687]
  そこで本研究では,ゼロおよび少数ショット学習のための新しい合成生成モデルを構築し,学習サンプルの少ない,あるいは全くない,きめ細かいクラスを認識する。 本稿では, 学習サンプルから属性特徴を抽出し, それらを組み合わせて, 稀で見えないクラスのためのきめ細かい特徴を構築できる特徴合成フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-05-21T16:18:24Z)
• MurTree: Optimal Classification Trees via Dynamic Programming and Search [61.817059565926336]
  動的プログラミングと探索に基づいて最適な分類木を学習するための新しいアルゴリズムを提案する。 当社のアプローチでは,最先端技術が必要とする時間のごく一部しか使用せず,数万のインスタンスでデータセットを処理することが可能です。
  論文  参考訳（メタデータ） (2020-07-24T17:06:55Z)
• 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。