Fugu-MT 論文翻訳(概要): GrainSpace: A Large-scale Dataset for Fine-grained and Domain-adaptive Recognition of Cereal Grains

論文の概要: GrainSpace: A Large-scale Dataset for Fine-grained and Domain-adaptive Recognition of Cereal Grains

arxiv url: http://arxiv.org/abs/2203.05306v1
Date: Thu, 10 Mar 2022 11:41:28 GMT
ステータス: 処理完了
システム内更新日: 2022-03-11 15:31:00.239342
Title: GrainSpace: A Large-scale Dataset for Fine-grained and Domain-adaptive Recognition of Cereal Grains
Title（参考訳）: GrainSpace:Cereal Grainのきめ細かいドメイン適応認識のための大規模データセット
Authors: Lei Fan, Yiwen Ding, Dongdong Fan, Donglin Di, Maurice Pagnucco, Yang Song
Abstract要約: GAI(Grain Outearance Inspection)は、穀物の適切な循環、貯蔵、食品加工のための穀物の質と粒層化を決定する重要なステップの1つである。本稿では,GAIを3つのユビキタスコンピュータビジョンタスクとして定義する。具体的には、データ取得のための3種類のデバイスプロトタイプと、プロの検査官によって決定された合計525万の画像を構築します。
参考スコア（独自算出の注目度）: 15.870266100862985
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Cereal grains are a vital part of human diets and are important commodities for people's livelihood and international trade. Grain Appearance Inspection (GAI) serves as one of the crucial steps for the determination of grain quality and grain stratification for proper circulation, storage and food processing, etc. GAI is routinely performed manually by qualified inspectors with the aid of some hand tools. Automated GAI has the benefit of greatly assisting inspectors with their jobs but has been limited due to the lack of datasets and clear definitions of the tasks. In this paper we formulate GAI as three ubiquitous computer vision tasks: fine-grained recognition, domain adaptation and out-of-distribution recognition. We present a large-scale and publicly available cereal grains dataset called GrainSpace. Specifically, we construct three types of device prototypes for data acquisition, and a total of 5.25 million images determined by professional inspectors. The grain samples including wheat, maize and rice are collected from five countries and more than 30 regions. We also develop a comprehensive benchmark based on semi-supervised learning and self-supervised learning techniques. To the best of our knowledge, GrainSpace is the first publicly released dataset for cereal grain inspection.
Abstract（参考訳）: 穀物は人間の食事の重要な部分であり、人々の生活と国際貿易にとって重要な商品である。穀物外観検査(GAI)は、適切な循環、貯蔵、食品加工等のために、穀物の品質及び粒層化を決定するための重要なステップの1つである。 GAIは、手工具の助けを借りて、適格な検査官が手動で行う。自動GAIは、インスペクタにジョブを強く支援するメリットがあるが、データセットの欠如とタスクの明確な定義のために制限されている。本稿では,粒度認識,ドメイン適応,分散認識という3つのユビキタスなコンピュータビジョンタスクとしてgaiを定式化する。我々は,GrainSpaceと呼ばれる大規模かつ一般公開された穀物のデータセットを提示する。具体的には,データ取得のための3種類のデバイスプロトタイプと,専門家による525万枚の画像を作成する。小麦、トウモロコシ、米などの穀物サンプルを5カ国30地域以上から採取する。また,半教師付き学習と自己教師付き学習技術に基づく総合ベンチマークを開発した。私たちの知る限りでは、GrainSpaceは穀物検査のための最初の公開データセットです。

関連論文リスト

MetaFood3D: Large 3D Food Object Dataset with Nutrition Values [53.24500333363066]
このデータセットは、詳細な栄養情報、体重、および包括的栄養データベースに関連付けられた食品コードを含む、108カテゴリにわたる637の細かな3D食品オブジェクトから成っている。実験の結果、我々のデータセットがアルゴリズムの性能を向上させる重要な可能性を実証し、ビデオキャプチャと3Dスキャンされたデータの間の困難さを強調し、高品質なデータ生成、シミュレーション、拡張におけるMetaFood3Dデータセットの強みを示した。
論文参考訳（メタデータ） (2024-09-03T15:02:52Z)
Multispectral Fine-Grained Classification of Blackgrass in Wheat and Barley Crops [2.580056799681784]
ブラックグラス(Blackgrass)は、ヨーロッパ北西部の穀物に特に問題を引き起こす草の雑草である。マシンビジョンとマルチスペクトルイメージングを用いて,黒草を識別するための最先端手法の有効性について検討した。
論文参考訳（メタデータ） (2024-05-03T16:23:41Z)
An annotated grain kernel image database for visual quality inspection [15.134345284413683]
本稿では,穀物カーネルの視覚的品質検査を目的としたマシンビジョンベースデータベースGrainSetを提案する。データベースには、専門家の注釈付き350K以上のシングルカーネルイメージが含まれている。
論文参考訳（メタデータ） (2023-11-20T17:11:00Z)
Identifying the Defective: Detecting Damaged Grains for Cereal Appearance Inspection [16.036591708687354]
GAI(Grain Outearance Inspection)は、穀物の品質を判断し、穀物の循環と加工を容易にするための重要なプロセスである。本稿では,自動GAIシステムであるAI4GrainInspの開発に尽力する。本稿では,AD-GAIと呼ばれるADモデルを提案する。
論文参考訳（メタデータ） (2023-11-20T16:35:16Z)
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)
CWD30: A Comprehensive and Holistic Dataset for Crop Weed Recognition in Precision Agriculture [1.64709990449384]
精密農業における作物雑草認識タスクに適した大規模・多種多様・包括的・階層的データセットであるCWD30データセットを提示する。 CWD30は20種の雑草と10種の高解像度画像を219,770枚以上、様々な成長段階、複数の視角、環境条件を含む。データセットの階層的な分類は、きめ細かい分類を可能にし、より正確で堅牢で一般化可能なディープラーニングモデルの開発を促進する。
論文参考訳（メタデータ） (2023-05-17T09:39:01Z)
Geometry-Aware Fruit Grasping Estimation for Robotic Harvesting in Orchards [6.963582954232132]
幾何認識ネットワークであるA3Nは、エンドツーエンドのインスタンスセグメンテーションと把握推定を行うために提案されている。我々は,フィールド環境下での果実の認識と検索をロボットが正確に行うことができるグローバル・ローカル・スキャン・ストラテジーを実装した。全体として、ロボットシステムは、収穫実験において70%から85%の範囲で収穫の成功率を達成する。
論文参考訳（メタデータ） (2021-12-08T16:17:26Z)
GAIA: A Transfer Learning System of Object Detection that Fits Your Needs [136.60609274344893]
大規模データセットの事前学習によるトランスファーラーニングは,コンピュータビジョンや自然言語処理において,ますます重要な役割を担っている。本稿では,物体検出の領域に着目し,GAIAと呼ばれる移動学習システムを提案する。 GAIAは、レイテンシ制約や指定されたデータドメインなどの下流要求に適合するモデルを選択する、強力な事前訓練されたウェイトを提供することができる。
論文参考訳（メタデータ） (2021-06-21T18:24:20Z)
ISIA Food-500: A Dataset for Large-Scale Food Recognition via Stacked Global-Local Attention Network [50.7720194859196]
ウィキペディアのリストから500のカテゴリと399,726の画像を含むデータセットISIA Food-500を紹介する。このデータセットは、既存の一般的なベンチマークデータセットをカテゴリカバレッジとデータボリュームで上回る。食品認識のための2つのサブネットワークからなるグローバルローカルアテンションネットワークを提案する。
論文参考訳（メタデータ） (2020-08-13T02:48:27Z)
Pollen13K: A Large Scale Microscope Pollen Grain Image Dataset [63.05335933454068]
この研究は、1万3千以上の天体を含む最初の大規模花粉画像データセットを提示する。本稿では, エアロバイオロジカルサンプリング, 顕微鏡画像取得, 物体検出, セグメンテーション, ラベル付けなど, 採用データ取得のステップに注目した。
論文参考訳（メタデータ） (2020-07-09T10:33:31Z)
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。