論文の概要: Health Detection on Cattle Compressed Images in Precision Livestock Farming

• arxiv url: http://arxiv.org/abs/2112.01251v1
• Date: Tue, 23 Nov 2021 03:46:27 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-07 01:57:13.673259
• Title: Health Detection on Cattle Compressed Images in Precision Livestock Farming
• Title（参考訳）: 精密家畜栽培における牛圧縮画像の健康診断
• Authors: Miguel Angel Calvache, Valeria Cardona, Sebastian Tapias, Simon Marin, Mauricio Toro
• Abstract要約: エネルギー消費を削減した画像を圧縮・圧縮するアルゴリズムを設計する。 全画像の圧縮には5時間10分を要します。 圧縮速度は1.82:1で、各ファイルの平均時間は13.75秒、圧縮速度は1.64:1と7.5秒でした。
• 参考スコア（独自算出の注目度）: 0.41998444721319217
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The constant population growth brings the needing to make up for food also grows at the same rate. The livestock provides one-third of humans protein base as meat and milk. To improve cattles health and welfare the pastoral farming employs Precision Livestock farming (PLF). This technique implementation brings a challenge to minimize energy consumption due to farmers not having enough energy or devices to transmit large volumes of information at the size are received from their farms monitors. Therefore, in this project, we will design an algorithm to compress and decompress images reducing energy consumption with the less information lost. Initially, the related problems have been read and analyzed to learn about the techniques used in the past and to be updated with the current works. We implemented Seam Carving and LZW algorithms. The compression of all images, around 1000 takes a time of 5 hours 10 min. We got a compression rate of 1.82:1 with 13.75s average time for each file and a decompression rate of 1.64:1 and 7.5 s average time for each file. The memory consumption we obtained was between 146MB and 504 MB and time consumption was between 30,5s for 90MB to 12192s for 24410 MB, it was all files.
• Abstract（参考訳）: 絶え間ない人口増加は、食糧の補充の必要性も、同じペースで増大する。 家畜はヒトのタンパク質の3分の1を肉と牛乳として提供する。 家畜の健康と福祉を改善するため、牧畜は精密家畜農業(plf)を採用している。 この手法の実装は、農場のモニタから受信する大量の情報を送信するための十分なエネルギーや装置がないため、エネルギー消費を最小限に抑えるという課題をもたらす。 そこで本研究では,少ない情報量でエネルギー消費を削減できる画像圧縮・減圧縮アルゴリズムを考案する。 当初、関連する問題は読み上げられ、分析され、過去に使われた技術について学び、現在の作業で更新される。 シーム彫りとlzwアルゴリズムを実装した。 約1000枚の画像の圧縮は5時間10分かかる。 圧縮速度は1.82:1で、各ファイルの平均時間は13.75秒、圧縮速度は1.64:1と7.5秒でした。 私たちが取得したメモリ消費は146MBから504MBで、時間消費は90MBで30,5sから12192sで24410MBで、すべてファイルでした。

関連論文リスト

• Enhancing Pollinator Conservation towards Agriculture 4.0: Monitoring of Bees through Object Recognition [0.6334523276812193]
  本稿では,ハチの行動の自律的追跡・報告にコンピュータビジョンと物体認識を用いる方法について検討する。 ビデオストリームから蜂を含む9664画像の新しいデータセットを抽出し、バウンディングボックスで注釈付けする。 トレーニングされたモデルは、説明可能なAIインターフェース内にパッケージされ、検出イベントをタイムスタンプされたレポートとチャートに変換する。
  論文  参考訳（メタデータ） (2024-05-24T10:45:24Z)
• RAGE for the Machine: Image Compression with Low-Cost Random Access for Embedded Applications [5.199703527082964]
  RAGEは画像圧縮フレームワークで、一般的に矛盾する4つの目的を達成する。 RAGEは、最先端のロスレス画像圧縮機と類似またはより良い圧縮比を有することを示す。 また、RAGE-Qは、組込みグラフィックスの歪みという点でJPEGを数倍上回っていることを示す。
  論文  参考訳（メタデータ） (2024-02-07T19:28:33Z)
• When an Image is Worth 1,024 x 1,024 Words: A Case Study in Computational Pathology [104.84650391675054]
  LongViTは、ギガピクセル画像をエンドツーエンドで処理できるビジョントランスフォーマーである。 我々は,Gigapixel全スライディング画像中の癌診断と予後を目的とし,LongViTを計算病理学の分野に適用した。
  論文  参考訳（メタデータ） (2023-12-06T15:40:28Z)
• Cattle Identification Using Muzzle Images and Deep Learning Techniques [0.0]
  本研究は、268頭の牛肉から採取した4923個の銃口画像を用いて牛の識別を探索する。 実験の結果、ResNet50モデルを使用して99.5%の最大精度が達成された。
  論文  参考訳（メタデータ） (2023-11-14T13:25:41Z)
• Random-Access Neural Compression of Material Textures [1.2971248363246106]
  材料テクスチャに特化して設計された新しいニューラル圧縮手法を提案する。 我々は低圧縮でさらに2つの詳細レベル、すなわち16倍のテクセルをアンロックする。 本手法では,ランダムアクセスによるオンデマンドリアルタイム圧縮が可能で,ディスクやメモリ上での圧縮が可能となる。
  論文  参考訳（メタデータ） (2023-05-26T17:16:22Z)
• Accurate Gigapixel Crowd Counting by Iterative Zooming and Refinement [90.76576712433595]
  GigaZoomは画像の最も密度の高い領域を反復的にズームし、より詳細な粗い密度マップを洗練します。 ギガZoomは,ギガピクセルの群衆計数のための最先端技術を取得し,次のベストメソッドの精度を42%向上させることを示す。
  論文  参考訳（メタデータ） (2023-05-16T08:25:27Z)
• Are Visual Recognition Models Robust to Image Compression? [23.280147529096908]
  画像圧縮が視覚認知タスクに与える影響を解析する。 我々は、0.1ビットから2ビット/ピクセル(bpp)までの幅広い圧縮レベルについて検討する。 これら3つのタスクすべてにおいて,強い圧縮を使用する場合,認識能力に大きな影響があることが判明した。
  論文  参考訳（メタデータ） (2023-04-10T11:30:11Z)
• Optimizing Image Compression via Joint Learning with Denoising [49.83680496296047]
  スマートフォンカメラに搭載された比較的小さなセンサーのため、今日の撮像画像には高レベルのノイズが通常存在している。 計算コストを少なくして目的をシンプルかつ効果的に実現できるように,プラグイン機能付き2分岐重み共有アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-07-22T04:23:01Z)
• PILC: Practical Image Lossless Compression with an End-to-end GPU Oriented Neural Framework [88.18310777246735]
  本稿では,1台のNVIDIA Tesla V100 GPUを用いて,圧縮と圧縮の両面で200MB/sを実現するエンドツーエンド画像圧縮フレームワークを提案する。 実験により、我々のフレームワークは、複数のデータセットで30%のマージンで、PNGよりも圧縮が優れていることが示された。
  論文  参考訳（メタデータ） (2022-06-10T03:00:10Z)
• Analyzing and Mitigating JPEG Compression Defects in Deep Learning [69.04777875711646]
  本稿では,JPEG圧縮が共通タスクやデータセットに与える影響を統一的に検討する。 高圧縮の一般的なパフォーマンス指標には大きなペナルティがあることが示される。
  論文  参考訳（メタデータ） (2020-11-17T20:32:57Z)
• Counting Cows: Tracking Illegal Cattle Ranching From High-Resolution Satellite Imagery [59.32805936205217]
  牛の農業は世界の温室効果ガス排出量の8.8%を占めている。 40cmの解像度でアマゾンの衛星画像を取得し、合計28498頭の牛を含む903枚の画像のデータセットをまとめた。 本実験は,有望な結果を示し,これらの課題を解決するためのアルゴリズムとデータ収集プロセスのいずれにおいても,次のステップの重要方向を示すものである。
  論文  参考訳（メタデータ） (2020-11-14T19:07:39Z)

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。