論文の概要: Semi-supervised dry herbage mass estimation using automatic data and synthetic images

• arxiv url: http://arxiv.org/abs/2110.13719v1
• Date: Tue, 26 Oct 2021 14:10:39 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-27 14:53:22.205517
• Title: Semi-supervised dry herbage mass estimation using automatic data and synthetic images
• Title（参考訳）: 自動データと合成画像を用いた半教師付き乾草量推定
• Authors: Paul Albert and Mohamed Saadeldin and Badri Narayanan and Brian Mac Namee and Deirdre Hennessy and Aisling O'Connor and Noel O'Connor and Kevin McGuinness
• Abstract要約: 種特異的乾燥草原バイオマスのモニタリングは,牧草地を基盤とした乳生産システムにおいて重要な側面である。 コンピュータビジョンのためのディープラーニングは、この文脈において強力なツールである。 本稿では,コンピュータビジョンを用いたバイオマスの乾式推定のための低監督手法を提案する。
• 参考スコア（独自算出の注目度）: 8.993785655588736
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Monitoring species-specific dry herbage biomass is an important aspect of pasture-based milk production systems. Being aware of the herbage biomass in the field enables farmers to manage surpluses and deficits in herbage supply, as well as using targeted nitrogen fertilization when necessary. Deep learning for computer vision is a powerful tool in this context as it can accurately estimate the dry biomass of a herbage parcel using images of the grass canopy taken using a portable device. However, the performance of deep learning comes at the cost of an extensive, and in this case destructive, data gathering process. Since accurate species-specific biomass estimation is labor intensive and destructive for the herbage parcel, we propose in this paper to study low supervision approaches to dry biomass estimation using computer vision. Our contributions include: a synthetic data generation algorithm to generate data for a herbage height aware semantic segmentation task, an automatic process to label data using semantic segmentation maps, and a robust regression network trained to predict dry biomass using approximate biomass labels and a small trusted dataset with gold standard labels. We design our approach on a herbage mass estimation dataset collected in Ireland and also report state-of-the-art results on the publicly released Grass-Clover biomass estimation dataset from Denmark. Our code is available at https://git.io/J0L2a
• Abstract（参考訳）: 種別乾燥草本バイオマスのモニタリングは、牧草地ベースの乳生産システムにおいて重要な側面である。 畑の草本バイオマスに気付いて、農家は草本供給の余剰と不足を管理し、必要に応じて窒素の施肥を標的とする。 コンピュータビジョンのためのディープラーニングは、ポータブルデバイスを用いて撮影された草の天蓋の画像を用いて、草原の乾いたバイオマスを正確に推定できるため、この文脈において強力なツールである。 しかし、ディープラーニングのパフォーマンスは、広範囲で、この場合、破壊的なデータ収集プロセスのコストがかかる。 本研究は, 草本パルセルの正確な種別バイオマス推定は, 労働集約的かつ破壊的であるため, コンピュータビジョンを用いた乾性バイオマス推定の低監督手法について検討する。 提案手法は, 草本高さを考慮したセマンティクスセグメンテーションタスクのためのデータを生成する合成データ生成アルゴリズム, セマンティクスセグメンテーションマップを用いたデータラベル付けのための自動処理, 近似バイオマスラベルとゴールド標準ラベルを用いた小型信頼データセットを用いた乾燥バイオマス予測を訓練したロバスト回帰ネットワークである。 我々は,アイルランドで収集した草本量推定データセットのアプローチをデザインし,デンマークから公開された草本量推定データセットについて最新結果を報告する。 私たちのコードはhttps://git.io/j0l2aで利用可能です。

関連論文リスト

• Enhancing Ecological Monitoring with Multi-Objective Optimization: A Novel Dataset and Methodology for Segmentation Algorithms [17.802456388479616]
  オーストラリア, ニューサウスウェールズ州ベガバレーで, 外来種および外来種を捉えた6,096個の高分解能空中画像のユニークなセマンティックセマンティックセマンティクスデータセットを導入した。 このデータセットは、草種の重複と分布のため、困難な課題を示す。 データセットとコードは公開され、コンピュータビジョン、機械学習、生態学の研究を促進することを目的としている。
  論文  参考訳（メタデータ） (2024-07-25T18:27:27Z)
• MMCBE: Multi-modality Dataset for Crop Biomass Prediction and Beyond [11.976195465657236]
  作物バイオマス推定のための多モードデータセット(MMCBE) このデータセットは、216セットの多視点ドローン画像と、LiDAR点雲とハンドラベリングされた地上真実で構成されている。 我々は,MCCBEを用いた最先端の作物バイオマス推定手法を厳格に評価し,ドローン画像からの3D作物の復元やノベルビューレンダリングなど,新たな応用の可能性を探った。
  論文  参考訳（メタデータ） (2024-04-17T11:06:42Z)
• SatBird: Bird Species Distribution Modeling with Remote Sensing and Citizen Science Data [68.2366021016172]
  本稿では,市民科学データベース eBird の観測データから得られたラベルを用いた,米国内の位置情報のサテライトデータセットである SatBird について述べる。 ケニアでは低データのレシエーションを表すデータセットも提供しています。 リモートセンシングタスクのためのSOTAモデルを含む、データセットのベースラインセットをベンチマークします。
  論文  参考訳（メタデータ） (2023-11-02T02:00:27Z)
• HarvestNet: A Dataset for Detecting Smallholder Farming Activity Using Harvest Piles and Remote Sensing [50.4506590177605]
  HarvestNetは、2020-2023年のエチオピアのティグレイとアムハラの農場の存在をマッピングするためのデータセットである。 本研究は,多くの小作システムの特徴ある収穫杭の検出に基づく新しい手法を提案する。 本研究は, 農作物のリモートセンシングが, 食品の安全地帯において, よりタイムリーかつ正確な農地評価に寄与することが示唆された。
  論文  参考訳（メタデータ） (2023-08-23T11:03:28Z)
• Productive Crop Field Detection: A New Dataset and Deep Learning Benchmark Results [1.2233362977312945]
  精密農業において、生産的作物畑の検出は、農家が作業性能を評価するための必須の慣行である。 従来の研究では、先進的な機械学習アルゴリズムを用いて、作物畑を検出する様々な方法が研究されている。 本稿では,マシン操作とSentinel-2画像を組み合わせた高品質なデータセットを提案する。
  論文  参考訳（メタデータ） (2023-05-19T20:30:59Z)
• Hyperspectral and LiDAR data for the prediction via machine learning of tree species, volume and biomass: a possible contribution for updating forest management plans [0.3848364262836075]
  本研究は,トレント自治州(PAT)の森林タイプと森林単位の脱線を識別する基盤を構築することを目的としている。 2014年のLiDARとPATによるハイパースペクトル調査のデータを取得し、処理した。
  論文  参考訳（メタデータ） (2022-09-30T06:06:25Z)
• 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)
• Utilizing unsupervised learning to improve sward content prediction and herbage mass estimation [15.297992694028807]
  本研究では,ニューラルネットワークのトレーニングにおいて,グラウンドトラスド(GT)画像の必要性を低減し,ディープラーニングソリューションを強化する。 スワード合成予測問題において,教師なしのコントラスト学習がいかに有効かを示す。
  論文  参考訳（メタデータ） (2022-04-20T09:28:11Z)
• ZeroWaste Dataset: Towards Automated Waste Recycling [51.053682077915546]
  産業レベルの廃棄物検出・分別データセットZeroWasteについて述べる。 このデータセットには、実際の廃棄物処理工場から収集された1800以上のビデオフレームが含まれている。 最先端のセグメンテーション手法では,対象物を正しく検出・分類することが困難であることを示す。
  論文  参考訳（メタデータ） (2021-06-04T22:17:09Z)
• Semi-Automatic Data Annotation guided by Feature Space Projection [117.9296191012968]
  本稿では,適切な特徴空間投影と半教師付きラベル推定に基づく半自動データアノテーション手法を提案する。 MNISTデータセットとヒト腸内寄生虫の胎児不純物の有無による画像を用いて本手法の有効性を検証した。 この結果から,人間と機械の相補的能力を組み合わせた視覚分析ツールの付加価値が,より効果的な機械学習に有効であることが示唆された。
  論文  参考訳（メタデータ） (2020-07-27T17:03:50Z)
• Automatic image-based identification and biomass estimation of invertebrates [70.08255822611812]
  時間を要する分類と分類は、どれだけの昆虫を処理できるかに強い制限を課す。 我々は、人間の専門家による分類と識別の標準的な手動アプローチを、自動画像ベース技術に置き換えることを提案する。 分類タスクには最先端のResnet-50とInceptionV3 CNNを使用する。
  論文  参考訳（メタデータ） (2020-02-05T21:38:57Z)

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。