論文の概要: Simultaneously Predicting Multiple Plant Traits from Multiple Sensors via Deformable CNN Regression

• arxiv url: http://arxiv.org/abs/2112.03205v1
• Date: Mon, 6 Dec 2021 18:00:28 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-07 17:10:35.272656
• Title: Simultaneously Predicting Multiple Plant Traits from Multiple Sensors via Deformable CNN Regression
• Title（参考訳）: 変形可能なcnn回帰による複数センサからの植物形質の同時予測
• Authors: Pranav Raja, Alex Olenskyj, Hamid Kamangir, Mason Earles
• Abstract要約: 植物栽培と農業生産のパイプラインにとって、交通量測定は重要である。 我々は、複数のセンサ入力を受け入れ、複数の連続特性出力を予測する比較的単純な畳み込みニューラルネットワーク(CNN)モデルを導入する。
• 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: Trait measurement is critical for the plant breeding and agricultural production pipeline. Typically, a suite of plant traits is measured using laborious manual measurements and then used to train and/or validate higher throughput trait estimation techniques. Here, we introduce a relatively simple convolutional neural network (CNN) model that accepts multiple sensor inputs and predicts multiple continuous trait outputs - i.e. a multi-input, multi-output CNN (MIMO-CNN). Further, we introduce deformable convolutional layers into this network architecture (MIMO-DCNN) to enable the model to adaptively adjust its receptive field, model complex variable geometric transformations in the data, and fine-tune the continuous trait outputs. We examine how the MIMO-CNN and MIMO-DCNN models perform on a multi-input (i.e. RGB and depth images), multi-trait output lettuce dataset from the 2021 Autonomous Greenhouse Challenge. Ablation studies were conducted to examine the effect of using single versus multiple inputs, and single versus multiple outputs. The MIMO-DCNN model resulted in a normalized mean squared error (NMSE) of 0.068 - a substantial improvement over the top 2021 leaderboard score of 0.081. Open-source code is provided.
• Abstract（参考訳）: 形質測定は植物の育種と農業生産のパイプラインにとって重要である。 通常、一連の植物形質は手作業で測定され、より高いスループット特性の推定手法を訓練および/または検証するために使用される。 本稿では、複数のセンサ入力を受け入れ、複数の連続特性出力を予測する比較的単純な畳み込みニューラルネットワーク(CNN)モデル(MIMO-CNN)を提案する。 さらに、このネットワークアーキテクチャ(MIMO-DCNN)に変形可能な畳み込み層を導入し、モデルがその受容場を適応的に調整し、データ内の複雑な変数の幾何変換をモデル化し、連続的な特性出力を微調整する。 筆者らは,2021年の自律温室チャレンジにおいて,MIMO-CNNとMIMO-DCNNモデルがマルチインプット(RGBと深度画像),マルチトランジット出力レタスデータセット上でどのように機能するかを検討する。 アブレーション研究は, 単入出力と複数入出力, 単入出力と複数入出力の併用効果を検討した。 mimo-dcnnモデルは正規化平均二乗誤差(nmse)を0.068とし、トップ2021のスコア0.081を大きく上回った。 オープンソースコードが提供されている。

関連論文リスト

• MIMONets: Multiple-Input-Multiple-Output Neural Networks Exploiting Computation in Superposition [0.0]
  本稿では,複数の入力を同時に処理できるマルチインプット・マルチプル・アウトプットニューラルネットワーク(MIMONets)を提案する。 MIMONetsは非線形ニューラルトランスフォーメーションを適用してデータ構造を均等に処理し、重畳された入力項目の数にほぼ比例するスピードアップをもたらす。
  論文  参考訳（メタデータ） (2023-12-05T15:25:45Z)
• Density Matrix Emulation of Quantum Recurrent Neural Networks for Multivariate Time Series Prediction [0.07499722271664144]
  量子リカレントニューラルネットワーク(QRNN)は、多変量時系列の将来の値をモデル化し予測するための頑健な候補である。 QRNNが複雑な入力系列の非自明なパターンを捉えることで、将来の値の正確な予測を行う方法を示す。
  論文  参考訳（メタデータ） (2023-10-31T17:32:11Z)
• A new perspective on probabilistic image modeling [92.89846887298852]
  本稿では,密度推定,サンプリング,トラクタブル推論が可能な画像モデリングのための新しい確率論的手法を提案する。 DCGMMは、CNNのように、ランダムな初期条件からSGDによってエンドツーエンドに訓練することができる。 本研究は,近年のPCおよびSPNモデルと,推論,分類,サンプリングの観点から比較した。
  論文  参考訳（メタデータ） (2022-03-21T14:53:57Z)
• Fully Spiking Variational Autoencoder [66.58310094608002]
  スパイキングニューラルネットワーク(SNN)は、超高速で超低エネルギー消費のニューロモルフィックデバイス上で動作することができる。 本研究では,SNNを用いた可変オートエンコーダ(VAE)を構築し,画像生成を実現する。
  論文  参考訳（メタデータ） (2021-09-26T06:10:14Z)
• A Battle of Network Structures: An Empirical Study of CNN, Transformer, and MLP [121.35904748477421]
  畳み込みニューラルネットワーク(CNN)は、コンピュータビジョンのための支配的なディープニューラルネットワーク(DNN)アーキテクチャである。 トランスフォーマーとマルチ層パーセプトロン(MLP)ベースのモデル(Vision TransformerやVision-Mixer)が新しいトレンドを導い始めた。 本稿では,これらのDNN構造について実証的研究を行い,それぞれの長所と短所を理解しようとする。
  論文  参考訳（メタデータ） (2021-08-30T06:09:02Z)
• Model Order Reduction based on Runge-Kutta Neural Network [0.0]
  本研究では,各ステップにいくつかの修正を加え,3つのシミュレーションモデルによるテストによる影響について検討する。 モデル再構成ステップでは,多層型パーセプトロン(mlp)とrunge-kuttaニューラルネットワーク(rknn)の2種類のニューラルネットワークアーキテクチャを比較した。
  論文  参考訳（メタデータ） (2021-03-25T13:02:16Z)
• Learning Power Control for Cellular Systems with Heterogeneous Graph Neural Network [37.060397377445504]
  電力制御ポリシには異なるPI特性とPE特性が組み合わさっており,既存のHetGNNはこれらの特性を満足していないことを示す。 We design a parameter sharing scheme for HetGNN that the learned relationship satisfed the desired properties。
  論文  参考訳（メタデータ） (2020-11-06T02:41:38Z)
• Spherical coordinates transformation pre-processing in Deep Convolution Neural Networks for brain tumor segmentation in MRI [0.0]
  深層畳み込みニューラルネットワーク(DCNN)は、最近非常に有望な結果を示している。 DCNNモデルは、優れたパフォーマンスを達成するために、大きな注釈付きデータセットが必要です。 本研究では,DCNNモデルの精度を向上させるために3次元球面座標変換を仮定した。
  論文  参考訳（メタデータ） (2020-08-17T05:11:05Z)
• Locally Masked Convolution for Autoregressive Models [107.4635841204146]
  LMConvは標準的な2Dコンボリューションの簡単な修正であり、任意のマスクを画像の各位置の重みに適用することができる。 我々は,パラメータを共有するが生成順序が異なる分布推定器のアンサンブルを学習し,全画像密度推定の性能を向上させる。
  論文  参考訳（メタデータ） (2020-06-22T17:59:07Z)
• Contextual-Bandit Anomaly Detection for IoT Data in Distributed Hierarchical Edge Computing [65.78881372074983]
  IoTデバイスは複雑なディープニューラルネットワーク(DNN)モデルにはほとんど余裕がなく、異常検出タスクをクラウドにオフロードすることは長い遅延を引き起こす。 本稿では,分散階層エッジコンピューティング(HEC)システムを対象とした適応型異常検出手法のデモと構築を行う。 提案手法は,検出タスクをクラウドにオフロードした場合と比較して,精度を犠牲にすることなく検出遅延を著しく低減することを示す。
  論文  参考訳（メタデータ） (2020-04-15T06:13:33Z)
• Model Fusion via Optimal Transport [64.13185244219353]
  ニューラルネットワークのための階層モデル融合アルゴリズムを提案する。 これは、不均一な非i.d.データに基づいてトレーニングされたニューラルネットワーク間での"ワンショット"な知識伝達に成功していることを示す。
  論文  参考訳（メタデータ） (2019-10-12T22:07:15Z)

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。