論文の概要: 4Weed Dataset: Annotated Imagery Weeds Dataset

• arxiv url: http://arxiv.org/abs/2204.00080v1
• Date: Tue, 29 Mar 2022 03:10:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-10 12:08:39.916488
• Title: 4Weed Dataset: Annotated Imagery Weeds Dataset
• Title（参考訳）: 4Weed Dataset: 注釈付き画像雑草データセット
• Authors: Varun Aggarwal, Aanis Ahmad, Aaron Etienne, Dharmendra Saraswat
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 1.5484595752241122
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Weeds are a major threat to crops and are responsible for reducing crop yield worldwide. To mitigate their negative effect, it is advantageous to accurately identify them early in the season to prevent their spread throughout the field. Traditionally, farmers rely on manually scouting fields and applying herbicides for different weeds. However, it is easy to confuse between crops with weeds during the early growth stages. Recently, deep learning-based weed identification has become popular as deep learning relies on convolutional neural networks that are capable of learning important distinguishable features between weeds and crops. However, training robust deep learning models requires access to large imagery datasets. Therefore, an early-season weeds dataset was acquired under field conditions. The dataset consists of 159 Cocklebur images, 139 Foxtail images, 170 Redroot Pigweed images and 150 Giant Ragweed images corresponding to four common weed species found in corn and soybean production systems.. Bounding box annotations were created for each image to prepare the dataset for training both image classification and object detection deep learning networks capable of accurately locating and identifying weeds within corn and soybean fields. (https://osf.io/w9v3j/)
• Abstract（参考訳）: 雑草は作物にとって大きな脅威であり、世界中の収穫量を減らす責任がある。 悪影響を和らげるには、季節の早い段階で正確に識別し、フィールド全体に広がるのを防ぐのが有利である。 伝統的に、農家は手動で畑を偵察し、異なる雑草に除草剤を適用する。 しかし、生育初期の段階では雑草と作物を混同することが容易である。 近年、深層学習に基づく雑草識別が普及し、深層学習は雑草と作物の区別可能な重要な特徴を学習できる畳み込みニューラルネットワークに依存している。 しかしながら、堅牢なディープラーニングモデルのトレーニングには、大規模なイメージデータセットへのアクセスが必要だ。 そこで,早期シーズン雑草データセットをフィールド条件下で取得した。 このデータセットは159のコックルバー画像、139のキツネテール画像、170のレッドルートピグウィード画像、150の巨大なラグウィード画像からなり、トウモロコシと大豆の生産システムに見られる4つの一般的な雑草に対応する。 . 各画像にバウンディングボックスアノテーションを作成し、トウモロコシ畑や大豆畑の雑草を正確に特定できる画像分類と物体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を作成した。 (https://osf.io/w9v3j/)

関連論文リスト

• Good Seed Makes a Good Crop: Discovering Secret Seeds in Text-to-Image Diffusion Models [13.4617544015866]
  拡散推論におけるランダム種子の影響について,大規模な科学的研究を行う。 我々は、最も優れた'金'シードが21.60の印象的なFIDを達成したのに対し、最悪の'金'シードのFIDは31.97であることがわかった。 分類器は、わずか数回で99.9%以上の精度で画像を生成するために使用されるシード番号を予測することができる。
  論文  参考訳（メタデータ） (2024-05-23T17:46:23Z)
• Learning Subject-Aware Cropping by Outpainting Professional Photos [69.0772948657867]
  本稿では,高品質な主観的作物を生産する要因を,プロのストックイメージから学習するための弱教師付きアプローチを提案する。 私たちの洞察は、ストックイメージのライブラリと、最新のトレーニング済みのテキスト-画像拡散モデルを組み合わせることです。 我々は、収穫された無作為のトレーニングペアの大規模なデータセットを自動的に生成して、収穫モデルをトレーニングすることができる。
  論文  参考訳（メタデータ） (2023-12-19T11:57:54Z)
• 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)
• Saliency Guided Contrastive Learning on Scene Images [71.07412958621052]
  我々は、学習中のモデルの出力から導かれるサリエンシマップを活用し、差別的な領域を強調し、対照的な学習全体をガイドする。 提案手法は,画像上の自己教師学習の性能を,画像の線形評価において+1.1,+4.3,+2.2の精度で向上させる。
  論文  参考訳（メタデータ） (2023-02-22T15:54:07Z)
• Transferring learned patterns from ground-based field imagery to predict UAV-based imagery for crop and weed semantic segmentation in precision crop farming [3.95486899327898]
  雑草の区分けのために,UAVのフィールド画像と空中画像の両方を予測できる深層畳み込みネットワークを開発した。 ネットワーク学習プロセスは、浅い層と深い層のフィーチャーマップによって視覚化される。 この研究は、深層畳み込みニューラルネットワークが、フィールド画像と空中画像の両方から雑草を分類するために使用できることを示した。
  論文  参考訳（メタデータ） (2022-10-20T19:25:06Z)
• Weed Recognition using Deep Learning Techniques on Class-imbalanced Imagery [4.96981595868944]
  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。
  論文  参考訳（メタデータ） (2021-12-15T01:00:05Z)
• 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)
• Weed Density and Distribution Estimation for Precision Agriculture using Semi-Supervised Learning [0.0]
  雑草密度と分布のロバストな推定のための深層学習に基づく半教師付き手法を提案する。 本研究では、作物や雑草を含む前景の植生画素を、畳み込みニューラルネットワーク(CNN)に基づく教師なしセグメンテーションを用いて最初に同定する。 雑草感染地域は、細調整されたCNNを用いて識別され、手作りの特徴を設計する必要がなくなる。
  論文  参考訳（メタデータ） (2020-11-04T09:35:53Z)
• 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。