論文の概要: Mapping industrial poultry operations at scale with deep learning and aerial imagery

• arxiv url: http://arxiv.org/abs/2112.10988v1
• Date: Tue, 21 Dec 2021 05:11:39 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-22 23:37:03.437045
• Title: Mapping industrial poultry operations at scale with deep learning and aerial imagery
• Title（参考訳）: 深層学習と空中画像を用いた産業用養鶏の大規模マッピング
• Authors: Caleb Robinson, Ben Chugg, Brandon Anderson, Juan M. Lavista Ferres, Daniel E. Ho
• Abstract要約: 集中型動物給餌作戦(CAFO)は、空気、水、公衆衛生に深刻なリスクをもたらす。 我々は,米国農務省の国立農業画像プログラム(NAIP)1m/ピクセルの空中画像を用いて,養鶏CAFOを検出する。 コンボリューションニューラルネットワーク(CNN)モデルをトレーニングし、個別の養鶏場を特定し、42TB以上の画像に最適なパフォーマンスモデルを適用する。
• 参考スコア（独自算出の注目度）: 2.9777558929697463
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Concentrated Animal Feeding Operations (CAFOs) pose serious risks to air, water, and public health, but have proven to be challenging to regulate. The U.S. Government Accountability Office notes that a basic challenge is the lack of comprehensive location information on CAFOs. We use the USDA's National Agricultural Imagery Program (NAIP) 1m/pixel aerial imagery to detect poultry CAFOs across the continental United States. We train convolutional neural network (CNN) models to identify individual poultry barns and apply the best performing model to over 42 TB of imagery to create the first national, open-source dataset of poultry CAFOs. We validate the model predictions against held-out validation set on poultry CAFO facility locations from 10 hand-labeled counties in California and demonstrate that this approach has significant potential to fill gaps in environmental monitoring.
• Abstract（参考訳）: 集中動物給餌活動(cafos)は、空気、水、公衆衛生に深刻なリスクをもたらすが、規制が難しいことが証明されている。 アメリカ政府説明責任局は、CAFOに関する包括的な位置情報の欠如が基本的な課題であると述べている。 米国農務省の農業画像プログラム(naip)1m/ピクセルの空中画像を用いて、米国大陸の養鶏用cafoを検出する。 コンボリューショナルニューラルネットワーク(CNN)モデルをトレーニングし、個別の養鶏場を特定し、42TB以上の画像に最高のパフォーマンスモデルを適用して、最初の全国的オープンソースCAFOデータセットを作成する。 本研究は,カリフォルニア州10郡を対象に,養鶏用CAFO施設の保留状況に対するモデル予測を検証し,この手法が環境モニタリングのギャップを埋める可能性を示した。

関連論文リスト

• A Geospatial Approach to Predicting Desert Locust Breeding Grounds in Africa [3.6826233660285395]
  ロカスト群れは農業と食料安全保障に 大きな脅威を与えます 本研究は,ロカスト繁殖場予測のための操作可能なモデルを開発した。
  論文  参考訳（メタデータ） (2024-03-11T16:13:58Z)
• Contrastive Region Guidance: Improving Grounding in Vision-Language Models without Training [79.27663870280038]
  Contrastive Region Guidance (CRG) は、オープンソースの視覚言語モデルで視覚的プロンプトに応答できる訓練不要のガイダンス手法である。 領域アノテーションが提供されると、CRGはViP-Benchで最大11.1%精度が向上する。 また,空間推論へのCRGの適用性を示すとともに,What'sUpでは10%の改善が見られた。
  論文  参考訳（メタデータ） (2024-03-04T18:55:30Z)
• SatBird: Bird Species Distribution Modeling with Remote Sensing and Citizen Science Data [68.2366021016172]
  本稿では,市民科学データベース eBird の観測データから得られたラベルを用いた,米国内の位置情報のサテライトデータセットである SatBird について述べる。 ケニアでは低データのレシエーションを表すデータセットも提供しています。 リモートセンシングタスクのためのSOTAモデルを含む、データセットのベースラインセットをベンチマークします。
  論文  参考訳（メタデータ） (2023-11-02T02:00:27Z)
• HarvestNet: A Dataset for Detecting Smallholder Farming Activity Using Harvest Piles and Remote Sensing [50.4506590177605]
  HarvestNetは、2020-2023年のエチオピアのティグレイとアムハラの農場の存在をマッピングするためのデータセットである。 本研究は,多くの小作システムの特徴ある収穫杭の検出に基づく新しい手法を提案する。 本研究は, 農作物のリモートセンシングが, 食品の安全地帯において, よりタイムリーかつ正確な農地評価に寄与することが示唆された。
  論文  参考訳（メタデータ） (2023-08-23T11:03:28Z)
• Detection of healthy and diseased crops in drone captured images using Deep Learning [0.0]
  病気によって引き起こされる植物の正常な状態の破壊は、しばしば本質的な植物活動に干渉する。 ドローン画像を用いた植物病の効率的な検出のための深層学習に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2023-05-22T21:15:12Z)
• Prior Knowledge-Guided Attention in Self-Supervised Vision Transformers [79.60022233109397]
  本研究では、未ラベル画像データセットにおける一貫した空間的・意味的構造を利用するフレームワークである空間的事前注意(SPAN)を提案する。 SPANは、アテンションマスクを別個のトランスフォーマーヘッドから正規化し、セマンティック領域の様々な先導に従う。 その結果,アテンションマスクは,ドメインに依存しない事前学習から得られるマスクよりも解釈可能であることが判明した。
  論文  参考訳（メタデータ） (2022-09-07T02:30:36Z)
• Estimaci\'on de \'areas de cultivo mediante Deep Learning y programaci\'on convencional [0.0]
  エクアドルにおけるサトウキビの栽培・収穫において,最も認知度の高い企業の一つとして検討されてきた。 この戦略はGAN(Generative Adversarial Neural Network)と組み合わせて、サトウキビのプロットの航空写真に基づいて訓練し、人口密度や人口密度の低い作物を識別する。 実験では、空中写真の品質が大幅に向上した。
  論文  参考訳（メタデータ） (2022-07-25T16:22:55Z)
• LANTERN-RD: Enabling Deep Learning for Mitigation of the Invasive Spotted Lanternfly [0.0]
  スポット・ランタンフライ(英: Spotted Lanternfly、SLF)は、アメリカ合衆国北東部や日本などの地域の生物多様性と農業経済を脅かす侵入性植物ホッパーである。 検出、ポーズ推定、正確な識別などのコンピュータビジョンタスクには、SLFを組み込む上で重要な下流の影響を持つ可能性がある。 そこで本研究では,ランタンフライとその外見に関する最初の画像データセットであるLANTERN-RDを提案する。
  論文  参考訳（メタデータ） (2022-05-12T23:37:29Z)
• 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)
• Enhancing Environmental Enforcement with Near Real-Time Monitoring: Likelihood-Based Detection of Structural Expansion of Intensive Livestock Farms [0.0]
  衛星画像を用いた構造的拡張の迅速同定法について述べる。 我々は、建築拡張の堅牢な信号を提供するために、最先端の建物のセグメント化と、可能性に基づく変更点検出モデルを組み合わせる。
  論文  参考訳（メタデータ） (2021-05-29T00:33:18Z)
• 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。