論文の概要: A fast accurate fine-grain object detection model based on YOLOv4 deep
neural network
- arxiv url: http://arxiv.org/abs/2111.00298v1
- Date: Sat, 30 Oct 2021 17:56:13 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-02 14:36:07.620368
- Title: A fast accurate fine-grain object detection model based on YOLOv4 deep
neural network
- Title(参考訳): YOLOv4ディープニューラルネットワークに基づく高速高精度微粒物検出モデル
- Authors: Arunabha M. Roy, Rikhi Bose and Jayabrata Bhaduri
- Abstract要約: 商業農場や果樹園における植物病の早期発見と予防は、精密農業技術の重要な特徴である。
本稿では,植物病の検出におけるいくつかの障害に対処する高性能なリアルタイム微粒物検出フレームワークを提案する。
提案するモデルは、You Only Look Once (YOLOv4)アルゴリズムの改良版に基づいて構築されている。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Early identification and prevention of various plant diseases in commercial
farms and orchards is a key feature of precision agriculture technology. This
paper presents a high-performance real-time fine-grain object detection
framework that addresses several obstacles in plant disease detection that
hinder the performance of traditional methods, such as, dense distribution,
irregular morphology, multi-scale object classes, textural similarity, etc. The
proposed model is built on an improved version of the You Only Look Once
(YOLOv4) algorithm. The modified network architecture maximizes both detection
accuracy and speed by including the DenseNet in the back-bone to optimize
feature transfer and reuse, two new residual blocks in the backbone and neck
enhance feature extraction and reduce computing cost; the Spatial Pyramid
Pooling (SPP) enhances receptive field, and a modified Path Aggregation Network
(PANet) preserves fine-grain localized information and improve feature fusion.
Additionally, the use of the Hard-Swish function as the primary activation
improved the model's accuracy due to better nonlinear feature extraction. The
proposed model is tested in detecting four different diseases in tomato plants
under various challenging environments. The model outperforms the existing
state-of-the-art detection models in detection accuracy and speed. At a
detection rate of 70.19 FPS, the proposed model obtained a precision value of
$90.33 \%$, F1-score of $93.64 \%$, and a mean average precision ($mAP$) value
of $96.29 \%$. Current work provides an effective and efficient method for
detecting different plant diseases in complex scenarios that can be extended to
different fruit and crop detection, generic disease detection, and various
automated agricultural detection processes.
- Abstract(参考訳): 商業農場や果樹園における植物病の早期同定と予防は精密農業技術の重要な特徴である。
本稿では,高密度分布,不規則な形態,マルチスケールオブジェクトクラス,テクスチャ類似性などの従来の手法の性能を阻害する,植物病検出におけるいくつかの障害に対処する高性能なリアルタイム微粒オブジェクト検出フレームワークを提案する。
提案モデルはYou Only Look Once (YOLOv4)アルゴリズムの改良版に基づいて構築されている。
修正されたネットワークアーキテクチャは、特徴の移動と再利用を最適化するための密度網をバックボーンに含むことにより、検出精度と速度の両方を最大化し、バックボーンとネックの2つの新しい残留ブロックにより特徴抽出と計算コストを削減し、空間ピラミッドプーリング(spp)は受容野を強化し、修正されたパスアグリゲーションネットワーク(panet)は微細な局所化情報を保存し、特徴融合を改善する。
さらに, 一次活性化としてハードスウィッシュ関数を用いることで, 非線形特徴抽出精度が向上した。
提案モデルは,様々な環境下でトマトの4つの異なる疾患を検知する。
このモデルは、既存の最先端検出モデルよりも精度と速度が優れている。
検出レートは70.19 fpsで、精度は90.33 \%$、f1-scoreは93.64 \%$、平均精度(map$)は96.29 \%$である。
現在の研究は、異なる果実や作物の検出、一般的な疾患の検出、および様々な自動農業検出プロセスに拡張可能な複雑なシナリオにおいて、異なる植物疾患を効果的かつ効率的に検出する方法を提供する。
関連論文リスト
- Efficient Apple Maturity and Damage Assessment: A Lightweight Detection
Model with GAN and Attention Mechanism [7.742643088073472]
本研究では,軽量畳み込みニューラルネットワーク(CNN)とGAN(Generative Adversarial Network)に基づく手法を提案する。
リンゴ熟度グレーディング検出では, それぞれ95.6%, 93.8%, 95.0%, 56.5の精度, リコール, 精度, FPSが得られた。
リンゴの損傷レベル検出では、提案モデルはそれぞれ95.3%、93.7%、94.5%の精度、リコール、mAPに達する。
論文 参考訳(メタデータ) (2023-10-13T18:22:30Z) - Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。
I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
論文 参考訳(メタデータ) (2023-08-31T05:05:53Z) - Improving FHB Screening in Wheat Breeding Using an Efficient Transformer
Model [0.0]
フサリウム・ヘッド・ブライト(Fusarium head blight)は、小さな穀物に毎年重大な経済的損失をもたらす壊滅的な病気である。
FHBの早期検出のために,教師付き機械学習アルゴリズムを用いて画像処理技術を開発した。
変圧器モデルにU-Netネットワークの局所表現機能を統合するために,新しいContext Bridgeを提案する。
論文 参考訳(メタデータ) (2023-08-07T15:44:58Z) - Lightweight wood panel defect detection method incorporating attention
mechanism and feature fusion network [9.775181958901326]
本稿では,注目機構と特徴融合ネットワークを組み込んだYOLOv5-LWという軽量な木材パネル欠陥検出手法を提案する。
提案手法は92.8%の精度でパラメータ数を27.78%削減し,計算量を41.25%圧縮し,検出速度を10.16%向上させる。
論文 参考訳(メタデータ) (2023-06-21T08:55:45Z) - A Computer Vision Enabled damage detection model with improved YOLOv5
based on Transformer Prediction Head [0.0]
現在の最先端ディープラーニング(DL)に基づく損傷検出モデルは、複雑でノイズの多い環境では優れた特徴抽出能力を欠いていることが多い。
DenseSPH-YOLOv5は、DenseNetブロックをバックボーンに統合したリアルタイムDLベースの高性能損傷検出モデルである。
DenseSPH-YOLOv5は平均平均精度(mAP)が85.25%、F1スコアが81.18%、精度(P)が89.51%である。
論文 参考訳(メタデータ) (2023-03-07T22:53:36Z) - Fake It Till You Make It: Near-Distribution Novelty Detection by
Score-Based Generative Models [54.182955830194445]
既存のモデルは、いわゆる"近く分布"設定で失敗するか、劇的な低下に直面します。
本稿では, スコアに基づく生成モデルを用いて, 合成近分布異常データを生成することを提案する。
本手法は,9つのノベルティ検出ベンチマークにおいて,近分布ノベルティ検出を6%改善し,最先端のノベルティ検出を1%から5%パスする。
論文 参考訳(メタデータ) (2022-05-28T02:02:53Z) - Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。
本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。
本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
論文 参考訳(メタデータ) (2022-01-11T23:01:12Z) - Improved YOLOv5 network for real-time multi-scale traffic sign detection [4.5598087061051755]
本稿では,アダプティブアテンションモジュール (AAM) と機能拡張モジュール (FEM) を利用して特徴マップ生成の過程での情報損失を低減する機能ピラミッドモデル AF-FPN を提案する。
YOLOv5の本来の特徴ピラミッドネットワークをAF-FPNに置き換え、YOLOv5ネットワークのマルチスケールターゲットの検出性能を向上させる。
論文 参考訳(メタデータ) (2021-12-16T11:02:12Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳(メタデータ) (2021-02-26T02:29:30Z) - SADet: Learning An Efficient and Accurate Pedestrian Detector [68.66857832440897]
本稿では,一段検出器の検出パイプラインに対する一連の最適化手法を提案する。
効率的な歩行者検出のための単発アンカーベース検出器(SADet)を形成する。
構造的には単純だが、VGA解像度の画像に対して最先端の結果と20ドルFPSのリアルタイム速度を示す。
論文 参考訳(メタデータ) (2020-07-26T12:32:38Z) - Unsupervised Anomaly Detection with Adversarial Mirrored AutoEncoders [51.691585766702744]
本稿では,識別器のミラー化ワッサースタイン損失を利用して,よりセマンティックレベルの再構築を行う逆自動エンコーダの変種を提案する。
我々は,再建基準の代替として,異常スコアの代替尺度を提案した。
提案手法は,OOD検出ベンチマークにおける異常検出の最先端手法よりも優れている。
論文 参考訳(メタデータ) (2020-03-24T08:26:58Z)
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。