論文の概要: Generative Adversarial Networks for Image Augmentation in Agriculture: A
Systematic Review
- arxiv url: http://arxiv.org/abs/2204.04707v2
- Date: Tue, 12 Apr 2022 23:49:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-14 10:28:54.131923
- Title: Generative Adversarial Networks for Image Augmentation in Agriculture: A
Systematic Review
- Title（参考訳）: 農業における画像拡張のためのジェネレーティブ・アドバイサル・ネットワーク:システムレビュー
- Authors: Ebenezer Olaniyi, Dong Chen, Yuzhen Lu, Yanbo Huang
- Abstract要約: 2014年にコンピュータビジョンコミュニティで発明されたGAN(Generative Adversarial Network)は、優れたデータ表現を学習できる新しいアプローチスイートを提供する。
本稿では, GAN アーキテクチャの進化を概観するとともに, 農業への導入を体系的に検討する。
- 参考スコア（独自算出の注目度）: 5.639656362091594
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In agricultural image analysis, optimal model performance is keenly pursued
for better fulfilling visual recognition tasks (e.g., image classification,
segmentation, object detection and localization), in the presence of challenges
with biological variability and unstructured environments. Large-scale,
balanced and ground-truthed image datasets, however, are often difficult to
obtain to fuel the development of advanced, high-performance models. As
artificial intelligence through deep learning is impacting analysis and
modeling of agricultural images, data augmentation plays a crucial role in
boosting model performance while reducing manual efforts for data preparation,
by algorithmically expanding training datasets. Beyond traditional data
augmentation techniques, generative adversarial network (GAN) invented in 2014
in the computer vision community, provides a suite of novel approaches that can
learn good data representations and generate highly realistic samples. Since
2017, there has been a growth of research into GANs for image augmentation or
synthesis in agriculture for improved model performance. This paper presents an
overview of the evolution of GAN architectures followed by a systematic review
of their application to agriculture
(https://github.com/Derekabc/GANs-Agriculture), involving various vision tasks
for plant health, weeds, fruits, aquaculture, animal farming, plant phenotyping
as well as postharvest detection of fruit defects. Challenges and opportunities
of GANs are discussed for future research.
- Abstract（参考訳）: 農業画像解析では,生物多様性や非構造環境の課題が存在する場合,視覚認識タスク(画像分類,セグメンテーション,物体検出,局所化など)を満足するために最適なモデル性能が追求されている。
しかし、大規模でバランスの取れた画像データセットは、高度で高性能なモデルの開発を加速させるのにしばしば困難である。
ディープラーニングによる人工知能が農業イメージの分析とモデリングに影響を与えているため、データ拡張は、トレーニングデータセットをアルゴリズム的に拡張することで、データ準備のための手作業を削減すると同時に、モデルパフォーマンスを向上させる上で重要な役割を果たす。
2014年にコンピュータビジョンコミュニティで発明されたGAN(Generative Adversarial Network)は、従来のデータ拡張技術以外にも、優れたデータ表現を学習し、非常に現実的なサンプルを生成する新しいアプローチスイートを提供する。
2017年以降、農業における画像増強や合成のためのGANの研究が成長し、モデル性能が向上した。
本稿では, GAN アーキテクチャの進化を概観するとともに, 植物健康, 雑草, 果実, 養殖, 牧草, 植物育種, 植物育種, 植物育種, および, 果実の欠陥検出のための様々なビジョンタスクを含む, 農業への応用の体系的レビュー(https://github.com/Derekabc/GANs-Agriculture)を行った。
GANの課題と機会を今後の研究のために論じる。
関連論文リスト
- A Simple Background Augmentation Method for Object Detection with Diffusion Model [53.32935683257045]
コンピュータビジョンでは、データの多様性の欠如がモデル性能を損なうことはよく知られている。
本稿では, 生成モデルの進歩を生かして, 単純かつ効果的なデータ拡張手法を提案する。
背景強化は、特にモデルの堅牢性と一般化能力を大幅に改善する。
論文 参考訳（メタデータ） (2024-08-01T07:40:00Z) - Generating Diverse Agricultural Data for Vision-Based Farming Applications [74.79409721178489]
このモデルは, 植物の成長段階, 土壌条件の多様性, 照明条件の異なるランダム化フィールド配置をシミュレートすることができる。
我々のデータセットにはセマンティックラベル付き12,000の画像が含まれており、精密農業におけるコンピュータビジョンタスクの包括的なリソースを提供する。
論文 参考訳（メタデータ） (2024-03-27T08:42:47Z) - Comprehensive Exploration of Synthetic Data Generation: A Survey [4.485401662312072]
この研究は、過去10年間で417のSynthetic Data Generationモデルを調査します。
その結果、ニューラルネットワークベースのアプローチが普及し、モデルのパフォーマンスと複雑性が向上したことが明らかになった。
コンピュータビジョンが支配的であり、GANが主要な生成モデルであり、拡散モデル、トランスフォーマー、RNNが競合する。
論文 参考訳（メタデータ） (2024-01-04T20:23:51Z) - Explainable AI in Grassland Monitoring: Enhancing Model Performance and
Domain Adaptability [0.6131022957085438]
草原は高い生物多様性と複数の生態系サービスを提供する能力で知られている。
指標植物の自動識別の課題は、大規模な草地モニタリングの鍵となる障害である。
本稿では,移動学習と草地モニタリングへのXAIアプローチを中心に,後者の2つの課題を考察する。
論文 参考訳（メタデータ） (2023-12-13T10:17:48Z) - Agave crop segmentation and maturity classification with deep learning
data-centric strategies using very high-resolution satellite imagery [101.18253437732933]
超高解像度衛星画像を用いたAgave tequilana Weber azul crop segmentation and mature classificationを提案する。
実世界の深層学習問題を,作物の選別という非常に具体的な文脈で解決する。
結果として得られた正確なモデルにより、大規模地域で生産予測を行うことができる。
論文 参考訳（メタデータ） (2023-03-21T03:15:29Z) - Semantic Image Segmentation with Deep Learning for Vine Leaf Phenotyping [59.0626764544669]
本研究では,ブドウの葉のイメージを意味的にセグメント化するためにDeep Learning法を用いて,葉の表現型自動検出システムを開発した。
私たちの研究は、成長や開発のような動的な特性を捉え定量化できる植物ライフサイクルのモニタリングに寄与します。
論文 参考訳（メタデータ） (2022-10-24T14:37:09Z) - Vision Transformers For Weeds and Crops Classification Of High
Resolution UAV Images [3.1083892213758104]
ビジョントランスフォーマー(ViT)モデルは、畳み込み操作を適用することなく、競争またはより良い結果を達成することができる。
実験の結果,ラベル付きトレーニングデータでは,最新のCNNモデルと比較して,ViTモデルの方が優れていた。
論文 参考訳（メタデータ） (2021-09-06T19:58:54Z) - Enlisting 3D Crop Models and GANs for More Data Efficient and
Generalizable Fruit Detection [0.0]
本稿では,合成3次元作物モデルドメインから実世界の作物ドメインへの農業画像生成手法を提案する。
本手法は, 果実の位置と形状を保存するために, 意味的に制約されたGAN (generative adversarial network) を用いる。
ブドウ品種検出タスクにおける増分訓練実験により,本手法から生成した画像がドメインプロセスを大幅に高速化できることが判明した。
論文 参考訳（メタデータ） (2021-08-30T16:11:59Z) - 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) - 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。