Fugu-MT 論文翻訳(概要): CD&S Dataset: Handheld Imagery Dataset Acquired Under Field Conditions for Corn Disease Identification and Severity Estimation

論文の概要: CD&S Dataset: Handheld Imagery Dataset Acquired Under Field Conditions for Corn Disease Identification and Severity Estimation

arxiv url: http://arxiv.org/abs/2110.12084v1
Date: Fri, 22 Oct 2021 22:33:51 GMT
ステータス: 処理完了
システム内更新日: 2021-10-26 15:41:17.468239
Title: CD&S Dataset: Handheld Imagery Dataset Acquired Under Field Conditions for Corn Disease Identification and Severity Estimation
Title（参考訳）: cd&sデータセット:トウモロコシ病の同定と重症度推定のためのフィールド条件下で取得したハンドヘルド画像データセット
Authors: Aanis Ahmad, Dharmendra Saraswat, Aly El Gamal, and Gurmukh Johal
Abstract要約: Corn Disease and Severityデータセットは、2112のフィールド画像と2343のAR画像からなる4455の画像で構成されている。疾患識別モデルのトレーニングでは,各疾患の画像データの半分を境界ボックスを用いて注釈付けした。重度推定のために, NLS用515個の原画像を取得し, 1(耐性)から5(感受性)までの重度分類に分類した。
参考スコア（独自算出の注目度）: 5.949779668853555
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Accurate disease identification and its severity estimation is an important consideration for disease management. Deep learning-based solutions for disease management using imagery datasets are being increasingly explored by the research community. However, most reported studies have relied on imagery datasets that were acquired under controlled lab conditions. As a result, such models lacked the ability to identify diseases in the field. Therefore, to train a robust deep learning model for field use, an imagery dataset was created using raw images acquired under field conditions using a handheld sensor and augmented images with varying backgrounds. The Corn Disease and Severity (CD&S) dataset consisted of 511, 524, and 562, field acquired raw images, corresponding to three common foliar corn diseases, namely Northern Leaf Blight (NLB), Gray Leaf Spot (GLS), and Northern Leaf Spot (NLS), respectively. For training disease identification models, half of the imagery data for each disease was annotated using bounding boxes and also used to generate 2343 additional images through augmentation using three different backgrounds. For severity estimation, an additional 515 raw images for NLS were acquired and categorized into severity classes ranging from 1 (resistant) to 5 (susceptible). Overall, the CD&S dataset consisted of 4455 total images comprising of 2112 field images and 2343 augmented images.
Abstract（参考訳）: 正確な病原性同定とその重症度推定は、疾患管理にとって重要な考察である。画像データセットを用いたディープラーニングベースの疾病管理ソリューションは、研究コミュニティによってますます探究されている。しかし、ほとんどの報告された研究は、制御された実験室条件下で取得された画像データセットに依存している。その結果、このようなモデルは現場の病気を識別する能力に欠けていた。そこで,フィールド利用のための頑健なディープラーニングモデルをトレーニングするために,手持ちセンサと背景の異なる拡張画像を用いて,フィールド条件下で取得した生画像を用いて画像データセットを作成した。トウモロコシ病と重症度 (cd&s) データセットは511, 524, 562であり, 未熟なトウモロコシ病 (nlb), グレーリーフスポット (gls), ノーザンリーフスポット (nls) に対応する。疾患識別モデルのトレーニングでは,各疾患の画像データの半分を境界ボックスを用いて注釈付けし,さらに3つの異なる背景を用いて2343個の追加画像を生成する。重症度推定のために, NLS用515個の原画像を取得し, 1(耐性)から5(感受性)までの重度クラスに分類した。 CD&Sデータセットは、2112のフィールド画像と2343のAR画像からなる4455の合計画像で構成された。

関連論文リスト

CO2Wounds-V2: Extended Chronic Wounds Dataset From Leprosy Patients [57.31670527557228]
本稿では,レプロシー患者のRGB創傷画像の拡張コレクションであるCO2Wounds-V2データセットについて紹介する。医療分野における画像処理アルゴリズムの開発とテストを強化することを目的としている。
論文参考訳（メタデータ） (2024-08-20T13:21:57Z)
Common and Rare Fundus Diseases Identification Using Vision-Language Foundation Model with Knowledge of Over 400 Diseases [57.27458882764811]
以前の網膜画像の基礎モデルは、限られた疾患カテゴリと知識ベースで事前訓練された。 RetiZeroの事前トレーニングのために、公開データセット、眼科文献、オンラインリソースから得られたテキスト記述と組み合わせた341,896のベースイメージをコンパイルした。 RetiZeroは、ゼロショット病の認識、画像と画像の検索、内部およびドメイン間の疾患の識別など、いくつかの下流タスクにおいて優れたパフォーマンスを示す。
論文参考訳（メタデータ） (2024-06-13T16:53:57Z)
STimage-1K4M: A histopathology image-gene expression dataset for spatial transcriptomics [8.881820519705592]
STimage-1K4Mは、サブタイル画像にゲノム機能を提供することでギャップを埋めるように設計された新しいデータセットである。 4,293,195対のサブタイル画像と遺伝子発現を持ち、STimage-1K4Mは前例のない粒度を持つ。
論文参考訳（メタデータ） (2024-06-10T15:48:07Z)
RadGenome-Chest CT: A Grounded Vision-Language Dataset for Chest CT Analysis [56.57177181778517]
RadGenome-Chest CTはCT-RATEに基づく大規模3次元胸部CT解釈データセットである。私たちは、最新の強力なユニバーサルセグメンテーションと大きな言語モデルを活用して、元のデータセットを拡張します。
論文参考訳（メタデータ） (2024-04-25T17:11:37Z)
On the notion of Hallucinations from the lens of Bias and Validity in Synthetic CXR Images [0.35998666903987897]
拡散モデルのような生成モデルは、データ品質と臨床情報の格差を軽減することを目的としている。スタンフォード大学の研究者たちは、医療画像データ拡張のための微調整された安定拡散モデル(RoentGen)の有用性を探求した。我々はRoentGenを利用してChest-XRay(CXR)画像を生成し、バイアス、妥当性、幻覚の評価を行った。
論文参考訳（メタデータ） (2023-12-12T04:41:20Z)
Cross-modulated Few-shot Image Generation for Colorectal Tissue Classification [58.147396879490124]
XM-GANと名づけられた少数ショット生成法は,1塩基と1対の参照組織像を入力とし,高品質で多様な画像を生成する。我々の知る限りでは、大腸組織像の少数ショット生成を最初に調査した人物である。
論文参考訳（メタデータ） (2023-04-04T17:50:30Z)
Detection of multiple retinal diseases in ultra-widefield fundus images using deep learning: data-driven identification of relevant regions [2.20200533591633]
ウルトラワイドフィールド(UWF)イメージングは、より大きな網膜視野を撮影する有望なモダリティである。過去の研究では、深層学習(DL)モデルがUWF画像の網膜疾患の検出に有効であることが示されている。より現実的な条件下で複数の網膜疾患を認識できるDLモデルを提案する。
論文参考訳（メタデータ） (2022-03-11T17:33:33Z)
REFUGE2 Challenge: Treasure for Multi-Domain Learning in Glaucoma Assessment [45.41988445653055]
REFUGE2チャレンジでは、Zeiss、Canon、Kowa、Topconを含む4つのモデルの2000枚のカラー・ファンドイメージがリリースされた。 3つのサブタスクは緑内障分類、カップ/光ディスクセグメンテーション、黄斑葉の局在などの課題のために設計された。この記事では、ファイナリストのメソッドを要約し、その結果を分析します。
論文参考訳（メタデータ） (2022-02-18T02:56:21Z)
Where is the disease? Semi-supervised pseudo-normality synthesis from an abnormal image [24.547317269668312]
現実的な擬似正規画像を生成するための半教師付き医用画像生成学習ネットワーク(SMILE)を提案する。我々のモデルは、データ拡張タスクにおいて最大6%、高品質な画像の生成において最大3%、最先端のモデルよりも優れています。
論文参考訳（メタデータ） (2021-06-24T05:56:41Z)
A Benchmark for Studying Diabetic Retinopathy: Segmentation, Grading, and Transferability [76.64661091980531]
糖尿病患者は糖尿病網膜症(DR)を発症するリスクがあるコンピュータ支援型DR診断は、DRの早期検出と重度評価のための有望なツールである。このデータセットは、ピクセルレベルのDR関連病変アノテーションを持つ1,842枚の画像と、6人の眼科医によって評価された画像レベルのラベルを持つ1,000枚の画像を有する。
論文参考訳（メタデータ） (2020-08-22T07:48:04Z)

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。