論文の概要: Weed Recognition using Deep Learning Techniques on Class-imbalanced Imagery

• arxiv url: http://arxiv.org/abs/2112.07819v1
• Date: Wed, 15 Dec 2021 01:00:05 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-17 03:34:45.780119
• Title: Weed Recognition using Deep Learning Techniques on Class-imbalanced Imagery
• Title（参考訳）: クラス不均衡画像を用いた深層学習技術による雑草認識
• Authors: A S M Mahmudul Hasan and Ferdous Sohel and Dean Diepeveen and Hamid Laga and Michael G.K. Jones
• Abstract要約: 我々は,最先端の5つのディープニューラルネットワークを調査し,雑草認識の性能評価を行った。 VGG16は小規模データセットで他より優れ、ResNet-50は大規模データセットで他のディープネットワークよりも優れていた。
• 参考スコア（独自算出の注目度）: 4.96981595868944
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Most weed species can adversely impact agricultural productivity by competing for nutrients required by high-value crops. Manual weeding is not practical for large cropping areas. Many studies have been undertaken to develop automatic weed management systems for agricultural crops. In this process, one of the major tasks is to recognise the weeds from images. However, weed recognition is a challenging task. It is because weed and crop plants can be similar in colour, texture and shape which can be exacerbated further by the imaging conditions, geographic or weather conditions when the images are recorded. Advanced machine learning techniques can be used to recognise weeds from imagery. In this paper, we have investigated five state-of-the-art deep neural networks, namely VGG16, ResNet-50, Inception-V3, Inception-ResNet-v2 and MobileNetV2, and evaluated their performance for weed recognition. We have used several experimental settings and multiple dataset combinations. In particular, we constructed a large weed-crop dataset by combining several smaller datasets, mitigating class imbalance by data augmentation, and using this dataset in benchmarking the deep neural networks. We investigated the use of transfer learning techniques by preserving the pre-trained weights for extracting the features and fine-tuning them using the images of crop and weed datasets. We found that VGG16 performed better than others on small-scale datasets, while ResNet-50 performed better than other deep networks on the large combined dataset.
• Abstract（参考訳）: ほとんどの雑草は、高価値作物に必要な栄養素を競うことで農業生産性に悪影響を及ぼす。 大規模な作付け地では手作業による雑草は実用的ではない。 農作物の自動雑草管理システムを開発するための研究が数多く行われている。 このプロセスでは、主要なタスクの1つは、画像から雑草を認識することである。 しかし、雑草認識は難しい課題である。 雑草や作物は色、食感、形状に類似しており、画像記録時の画像条件、地理的、気象条件によりさらに悪化する可能性があるためである。 高度な機械学習技術は、画像から雑草を認識するために使用できる。 本稿では,VGG16,ResNet-50,Inception-V3,Inception-ResNet-v2,MobileNetV2の5つの最先端ディープニューラルネットワークを調査し,雑草認識の性能評価を行った。 いくつかの実験的な設定と複数のデータセットの組み合わせを使用しました。 特に,より小さなデータセットを複数組み合わせ,データ拡張によるクラス不均衡を緩和し,このデータセットをディープニューラルネットワークのベンチマークに用いた大きな雑草クロップデータセットを構築した。 作物や雑草のデータセットの画像を用いて,特徴を抽出し,微調整するための事前訓練した重みを保存し,伝達学習技術の利用について検討した。 vgg16は他の大規模データセットよりも優れており、resnet-50は大規模データセットの他のディープネットワークよりも優れていた。

関連論文リスト

• Rethinking Transformers Pre-training for Multi-Spectral Satellite Imagery [78.43828998065071]
  教師なし学習の最近の進歩は、下流タスクにおける有望な結果を達成するための大きな視覚モデルの可能性を示している。 このような事前学習技術は、大量の未学習データが利用可能であることから、リモートセンシング領域でも最近研究されている。 本稿では,マルチモーダルで効果的に活用されるマルチスケール情報の事前学習と活用について述べる。
  論文  参考訳（メタデータ） (2024-03-08T16:18:04Z)
• Dataset Quantization [72.61936019738076]
  大規模データセットを小さなサブセットに圧縮する新しいフレームワークであるデータセット量子化(DQ)を提案する。 DQは、ImageNet-1kのような大規模データセットを最先端圧縮比で蒸留する最初の方法である。
  論文  参考訳（メタデータ） (2023-08-21T07:24:29Z)
• Inside Out: Transforming Images of Lab-Grown Plants for Machine Learning Applications in Agriculture [0.0]
  我々は,室内の植物像をフィールド画像として解釈するために,コントラッシブ・アンペア変換 (CUT) 生成敵ネットワーク (GAN) を用いる。 我々は,1つの植物のみを含むイメージを翻訳するようにネットワークを訓練する一方で,複数の植物野画像を生成するために容易に拡張可能であることを示す。 また, 人工マルチプラント画像を用いて, いくつかのYoloV5ナノオブジェクト検出モデルを訓練し, 植物検出を行う。
  論文  参考訳（メタデータ） (2022-11-05T20:51:45Z)
• Deep Data Augmentation for Weed Recognition Enhancement: A Diffusion Probabilistic Model and Transfer Learning Based Approach [17.860192771292713]
  本稿では,拡散確率モデルを用いて高品質な合成雑草画像を生成する方法を提案する。 開発されたアプローチは、いくつかの最先端のGANモデルより一貫して優れている。 合成雑草画像による拡張データセットは、雑草分類タスクのための4つのディープラーニング(DL)モデルにおけるモデルパフォーマンスを向上させる可能性がある。
  論文  参考訳（メタデータ） (2022-10-18T01:00:25Z)
• Semantic Segmentation of Vegetation in Remote Sensing Imagery Using Deep Learning [77.34726150561087]
  本稿では,公開されているリモートセンシングデータからなるマルチモーダル・大規模時間データセットを作成するためのアプローチを提案する。 我々は、異なる種類の植生を分離できる畳み込みニューラルネットワーク(CNN)モデルを使用する。
  論文  参考訳（メタデータ） (2022-09-28T18:51:59Z)
• Facilitated machine learning for image-based fruit quality assessment in developing countries [68.8204255655161]
  自動画像分類は食品科学における教師あり機械学習の一般的な課題である。 事前学習型視覚変換器(ViT)に基づく代替手法を提案する。 標準的なデバイス上で限られたリソースで簡単に実装できる。
  論文  参考訳（メタデータ） (2022-07-10T19:52:20Z)
• 4Weed Dataset: Annotated Imagery Weeds Dataset [1.5484595752241122]
  データセットは、コクルバー画像159枚、フォックステール画像139枚、レッドルートピッグウィード画像170枚、ジャイアントラグウィード画像150枚で構成されている。 各画像にバウンディングボックスアノテーションが作成され、画像分類とオブジェクト検出深層学習ネットワークの両方をトレーニングするためのデータセットが準備された。
  論文  参考訳（メタデータ） (2022-03-29T03:10:54Z)
• Agricultural Plant Cataloging and Establishment of a Data Framework from UAV-based Crop Images by Computer Vision [4.0382342610484425]
  本稿では,UAVからの収穫画像の時間的・空間的識別と識別を自動化するための手動ワークフローを提案する。 提案手法は農業におけるUAVデータの分析と解釈を大幅に改善する。
  論文  参考訳（メタデータ） (2022-01-08T21:14:07Z)
• 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)
• A Survey of Deep Learning Techniques for Weed Detection from Images [4.96981595868944]
  既存の深層学習に基づく雑草検出・分類手法を検討する。 その結果,ほとんどの研究が教師あり学習手法を適用し,高い分類精度を達成した。 過去の実験は、大量のラベル付きデータが利用できる場合に既に高い精度を達成している。
  論文  参考訳（メタデータ） (2021-03-02T02:02:24Z)
• Agriculture-Vision: A Large Aerial Image Database for Agricultural Pattern Analysis [110.30849704592592]
  本稿では,農業パターンのセマンティックセグメンテーションのための大規模空中農地画像データセットであるGarmry-Visionを提案する。 各画像はRGBと近赤外線(NIR)チャンネルで構成され、解像度は1ピクセルあたり10cmである。 農家にとって最も重要な9種類のフィールド異常パターンに注釈を付ける。
  論文  参考訳（メタデータ） (2020-01-05T20:19:33Z)

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。