論文の概要: The channel-spatial attention-based vision transformer network for
automated, accurate prediction of crop nitrogen status from UAV imagery
- arxiv url: http://arxiv.org/abs/2111.06839v1
- Date: Fri, 12 Nov 2021 17:48:44 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-15 14:49:47.404849
- Title: The channel-spatial attention-based vision transformer network for
automated, accurate prediction of crop nitrogen status from UAV imagery
- Title（参考訳）: uav画像からの作物窒素濃度の自動予測のためのチャネル空間注意型視覚トランスフォーマネットワーク
- Authors: Xin Zhang, Liangxiu Han, Tam Sobeih, Lewis Lappin, Mark Lee, Andew
Howard and Aron Kisdi
- Abstract要約: 窒素 (N) 肥料は農夫が収穫量を増やすために常用する。
作物のN状態の正確なタイムリーな推定は、収穫システムの経済的・環境的持続可能性の向上に不可欠である。
リモートセンシングと機械学習の最近の進歩は、前述の課題に非破壊的に対処する上で有望であることを示している。
コムギ畑のUAVから収集した大画像から作物Nのステータスを推定するためのチャネル空間の注意に基づく視覚変換器(CSVT)を提案する。
- 参考スコア（独自算出の注目度）: 2.2543220665761026
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Nitrogen (N) fertiliser is routinely applied by farmers to increase crop
yields. At present, farmers often over-apply N fertilizer in some locations or
timepoints because they do not have high-resolution crop N status data. N-use
efficiency can be low, with the remaining N lost to the environment, resulting
in high production costs and environmental pollution. Accurate and timely
estimation of N status in crops is crucial to improving cropping systems'
economic and environmental sustainability. The conventional approaches based on
tissue analysis in the laboratory for estimating N status in plants are time
consuming and destructive. Recent advances in remote sensing and machine
learning have shown promise in addressing the aforementioned challenges in a
non-destructive way. We propose a novel deep learning framework: a
channel-spatial attention-based vision transformer (CSVT) for estimating crop N
status from large images collected from a UAV in a wheat field. Unlike the
existing works, the proposed CSVT introduces a Channel Attention Block (CAB)
and a Spatial Interaction Block (SIB), which allows capturing nonlinear
characteristics of spatial-wise and channel-wise features from UAV digital
aerial imagery, for accurate N status prediction in wheat crops. Moreover,
since acquiring labeled data is time consuming and costly, local-to-global
self-supervised learning is introduced to pre-train the CSVT with extensive
unlabelled data. The proposed CSVT has been compared with the state-of-the-art
models, tested and validated on both testing and independent datasets. The
proposed approach achieved high accuracy (0.96) with good generalizability and
reproducibility for wheat N status estimation.
- Abstract（参考訳）: 窒素 (N) 肥料は農夫が収穫量を増やすために常用する。
現在、農家は高解像度のNステータスデータを持っていないため、一部の場所や時間帯でN肥料を多用していることが多い。
n-利用効率は低く、残りのnは環境に失われ、高い生産コストと環境汚染をもたらす。
作物中のn状態の正確かつタイムリーな推定は、作付システムの経済と環境の持続可能性を改善する上で重要である。
植物におけるN濃度を推定するための実験室での組織分析に基づく従来のアプローチは、時間と破壊である。
リモートセンシングと機械学習の最近の進歩は、前述の課題に非破壊的な方法で対処できることを示しています。
コムギ畑のUAVから収集した大画像から作物Nのステータスを推定するためのチャネル空間の注意に基づく視覚変換器(CSVT)を提案する。
提案したCSVTは,既存の研究と異なり,UAVデジタル空中画像から空間的・チャネル的特徴の非線形特性を把握し,小麦作物のN状態の正確な予測を可能にするチャネル注意ブロック (CAB) と空間的相互作用ブロック (SIB) を導入している。
さらに,ラベル付きデータの取得には時間と費用がかかるため,CSVTを事前学習するためのローカル・グローバル・セルフ教師付き学習を導入する。
提案したCSVTは、テストと独立データセットの両方でテストおよび検証された最先端モデルと比較されている。
提案手法はコムギn状態推定に優れた一般化性と再現性を有する高精度(0.96)を達成した。
関連論文リスト
- Gridded Transformer Neural Processes for Large Unstructured Spatio-Temporal Data [47.14384085714576]
本稿では,非構造化観測を行うための格子状擬似トークンPと,効率的な注意機構を利用する格子状擬似トークンを含むプロセッサを紹介する。
提案手法は,大規模データを含む様々な合成および実世界の回帰タスクにおいて,強いベースラインを一貫して上回る。
実生活実験は気象データに基づいて行われ、気象モデルパイプラインで大規模に適用した場合の性能と計算上の利点をもたらすアプローチの可能性を示す。
論文 参考訳（メタデータ） (2024-10-09T10:00:56Z) - Low-Cost Tree Crown Dieback Estimation Using Deep Learning-Based Segmentation [0.0]
深層学習と植生指標に基づくアプローチを用いて,LiDARなどの高価な機器を必要とせずに,RGB空中データからクラウンダイバックを評価する。
基礎となるMask R-CNNモデルのさらなる技術開発を必要とせず、高い全体セグメント化精度(mAP:0.519)を得る。
本研究は,森林ダイバックモニタリングの網羅性,速度,コストを改善するため,ディープラーニングの適用を含む自動データ収集および処理の可能性を示すものである。
論文 参考訳（メタデータ） (2024-09-12T16:03:56Z) - BonnBeetClouds3D: A Dataset Towards Point Cloud-based Organ-level
Phenotyping of Sugar Beet Plants under Field Conditions [30.27773980916216]
農業生産は今後数十年間、気候変動と持続可能性の必要性によって深刻な課題に直面している。
自律無人航空機(UAV)による作物のモニタリングと、ロボットによる非化学雑草によるフィールド管理の進歩は、これらの課題に対処するのに有用である。
表現型化と呼ばれる植物形質の分析は、植物の育種に不可欠な活動であるが、大量の手作業が伴う。
論文 参考訳（メタデータ） (2023-12-22T14:06:44Z) - Uncovering the Missing Pattern: Unified Framework Towards Trajectory
Imputation and Prediction [60.60223171143206]
軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。
現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。
本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
論文 参考訳（メタデータ） (2023-03-28T14:27:27Z) - Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。
GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
論文 参考訳（メタデータ） (2023-02-06T16:38:43Z) - 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) - Potato Crop Stress Identification in Aerial Images using Deep
Learning-based Object Detection [60.83360138070649]
本稿では, 深層ニューラルネットワークを用いたジャガイモの空中画像解析手法を提案する。
主な目的は、植物レベルでの健康作物とストレス作物の自動空間認識を実証することである。
実験により、フィールド画像中の健康植物とストレス植物を識別し、平均Dice係数0.74を達成できることを示した。
論文 参考訳（メタデータ） (2021-06-14T21:57:40Z) - Detection and Prediction of Nutrient Deficiency Stress using
Longitudinal Aerial Imagery [3.5417999811721677]
早期, 栄養不足ストレス(NDS)の精密検出は, 環境影響の精度だけでなく, 経済的にも重要である。
我々は,高分解能空中画像のシーケンスを収集し,セマンティクスセグメンテーションモデルを構築し,フィールド全体のndsの検出と予測を行う。
この研究は、リモートセンシングと農業の深層学習の発展に寄与し、経済と持続可能性に関する重要な社会的課題に対処している。
論文 参考訳（メタデータ） (2020-12-17T15:06:15Z) - Estimating Crop Primary Productivity with Sentinel-2 and Landsat 8 using
Machine Learning Methods Trained with Radiative Transfer Simulations [58.17039841385472]
我々は,機械モデリングと衛星データ利用の並列化を活用し,作物生産性の高度モニタリングを行う。
本モデルでは, 地域情報を使用しなくても, 各種C3作物の種類, 環境条件の総合的生産性を推定することに成功した。
これは、現在の地球観測クラウドコンピューティングプラットフォームの助けを借りて、新しい衛星センサーから作物の生産性をグローバルにマップする可能性を強調しています。
論文 参考訳（メタデータ） (2020-12-07T16:23:13Z) - Federated Learning in the Sky: Aerial-Ground Air Quality Sensing
Framework with UAV Swarms [53.38353133198842]
空気質は人間の健康に大きく影響し、空気質指数(AQI)の正確かつタイムリーな予測がますます重要になっている。
本稿では, 精密な3次元空気質モニタリングと予測を行うための, 新たなフェデレーション学習型地上空気質検知フレームワークを提案する。
地中センシングシステムでは, グラフ畳み込みニューラルネットワークを用いたLong Short-Term Memory (GC-LSTM) モデルを提案し, 高精度, リアルタイム, 将来的なAQI推論を実現する。
論文 参考訳（メタデータ） (2020-07-23T13:32:47Z) - UAV and Machine Learning Based Refinement of a Satellite-Driven
Vegetation Index for Precision Agriculture [0.8399688944263843]
本稿では,深層学習技術に基づく新しい衛星画像補正フレームワークを提案する。
無人航空機(UAV)が取得した高解像度画像から得られる情報を適切に活用する。
セラルンガ・ダルバ (Serralunga d'Alba) のブドウ園は、検証のためのケーススタディとして選ばれた。
論文 参考訳（メタデータ） (2020-04-29T18:34:48Z)
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。