論文の概要: Unsupervised domain adaptation and super resolution on drone images for
autonomous dry herbage biomass estimation
- arxiv url: http://arxiv.org/abs/2204.08271v1
- Date: Mon, 18 Apr 2022 12:11:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-19 16:02:11.969681
- Title: Unsupervised domain adaptation and super resolution on drone images for
autonomous dry herbage biomass estimation
- Title（参考訳）: 無人乾燥草本バイオマス推定のためのドローン画像の教師なし領域適応と超解像
- Authors: Paul Albert, Mohamed Saadeldin, Badri Narayanan, Jaime Fernandez,
Brian Mac Namee, Deirdre Hennessey, Noel E. O'Connor and Kevin McGuinness
- Abstract要約: ハーベージ質量収量と組成推定は、乳製品農家にとって重要なツールである。
ディープラーニングアルゴリズムは、スワード合成推定の通常の方法に代わる誘惑的な代替手段を提供する。
本稿では,地上レベルの画像から生のドローン画像への知識の伝達を教師なしで行うことを提案する。
- 参考スコア（独自算出の注目度）: 14.666311628659072
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Herbage mass yield and composition estimation is an important tool for dairy
farmers to ensure an adequate supply of high quality herbage for grazing and
subsequently milk production. By accurately estimating herbage mass and
composition, targeted nitrogen fertiliser application strategies can be
deployed to improve localised regions in a herbage field, effectively reducing
the negative impacts of over-fertilization on biodiversity and the environment.
In this context, deep learning algorithms offer a tempting alternative to the
usual means of sward composition estimation, which involves the destructive
process of cutting a sample from the herbage field and sorting by hand all
plant species in the herbage. The process is labour intensive and time
consuming and so not utilised by farmers. Deep learning has been successfully
applied in this context on images collected by high-resolution cameras on the
ground. Moving the deep learning solution to drone imaging, however, has the
potential to further improve the herbage mass yield and composition estimation
task by extending the ground-level estimation to the large surfaces occupied by
fields/paddocks. Drone images come at the cost of lower resolution views of the
fields taken from a high altitude and requires further herbage ground-truth
collection from the large surfaces covered by drone images. This paper proposes
to transfer knowledge learned on ground-level images to raw drone images in an
unsupervised manner. To do so, we use unpaired image style translation to
enhance the resolution of drone images by a factor of eight and modify them to
appear closer to their ground-level counterparts. We then ...
~\url{www.github.com/PaulAlbert31/Clover_SSL}.
- Abstract（参考訳）: ハーベージの大量生産と組成推定は、乳生産における高品質のハーベージの適切な供給を確保するために、乳農家にとって重要なツールである。
除草量と組成を正確に推定することにより、窒素施肥戦略を展開して除草地の局所化領域を改善し、生物多様性や環境に対する過剰受精の影響を効果的に低減することができる。
この文脈において、深層学習アルゴリズムは、草本フィールドからサンプルを切断し、草本内のすべての植物種を手で選別する破壊的なプロセスを含む、通常のスワード組成推定の方法に代わる誘惑的な手段を提供する。
このプロセスは労働集約的で時間がかかり、農家には使われない。
深層学習は、地上の高解像度カメラによって収集された画像に対して、この文脈でうまく適用されている。
しかし、深層学習ソリューションをドローン画像に移行することで、フィールド/パドックが占める大きな表面への地上レベルの推定を拡大することにより、ハーベージ質量収量と組成推定タスクをさらに改善する可能性がある。
ドローン画像は、高地から撮影されたフィールドの低解像度ビューを犠牲にしており、ドローン画像で覆われた大きな表面からさらに草の生い茂る地表面を収集する必要がある。
本稿では,地上画像から学習した知識を生のドローン画像に教師なしで転送することを提案する。
そのために、ドローン画像の解像度を8倍に増やし、地上レベルの画像に近く見えるように修正する。
そして...~\url{www.github.com/paulalbert31/clover_ssl}。
関連論文リスト
- Energy-Efficient Uncertainty-Aware Biomass Composition Prediction at the Edge [6.76163770004542]
クローバーを含むハーベージは食物の摂取量を増加させ、牛乳の生産量も増加する。
深層学習アルゴリズムは,草地の直接画像から乾式バイオマス組成を推定する目的で提案されている。
本稿では,既存のディープラーニングソリューションのエネルギー要求を削減するためにフィルタプルーニングを適用して,このギャップを埋めることを提案する。
この課題は, 分散減衰損失を用いたフィルタ解析モデルを用いて, 予測の不確かさを予測し, しきい値を超えた場合, より正確な未解析モデルを用いて再推論を行うことによって解決される。
論文 参考訳（メタデータ） (2024-04-17T10:26:49Z) - 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) - Multimodal Foundation Models for Zero-shot Animal Species Recognition in
Camera Trap Images [57.96659470133514]
モーションアクティベートカメラトラップは、世界中の野生生物を追跡・監視するための効率的なツールである。
教師付き学習技術は、そのような画像を分析するためにうまく展開されているが、そのような訓練には専門家のアノテーションが必要である。
コストのかかるラベル付きデータへの依存を減らすことは、人間の労働力を大幅に減らした大規模野生生物追跡ソリューションを開発する上で、大きな可能性を秘めている。
論文 参考訳（メタデータ） (2023-11-02T08:32:00Z) - Improving Data Efficiency for Plant Cover Prediction with Label
Interpolation and Monte-Carlo Cropping [7.993547048820065]
植物群落の組成は環境変化の重要な指標であり、通常生態学的研究で分析される。
本稿では,収集した植生計画時系列のスパースラベルを中間密度・未ラベル画像に補間する手法を提案する。
また,高解像度画像の処理を効率的に行うため,モンテカルロ・クロッピングと呼ばれる新しい手法を導入する。
論文 参考訳（メタデータ） (2023-07-17T15:17:39Z) - Take a Prior from Other Tasks for Severe Blur Removal [52.380201909782684]
知識蒸留に基づくクロスレベル特徴学習戦略
多レベルアグリゲーションとセマンティックアテンション変換によるセマンティック事前埋め込み層を効果的に統合する。
GoProやRealBlurのデータセットのような、自然な画像劣化ベンチマークと実世界の画像の実験は、我々の方法の有効性と能力を実証している。
論文 参考訳（メタデータ） (2023-02-14T08:30:51Z) - Towards Generating Large Synthetic Phytoplankton Datasets for Efficient
Monitoring of Harmful Algal Blooms [77.25251419910205]
有害な藻類(HAB)は養殖農場で重大な魚死を引き起こす。
現在、有害藻や他の植物プランクトンを列挙する標準的な方法は、顕微鏡でそれらを手動で観察し数えることである。
合成画像の生成にはGAN(Generative Adversarial Networks)を用いる。
論文 参考訳（メタデータ） (2022-08-03T20:15:55Z) - 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) - 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) - Deep Photo Cropper and Enhancer [65.11910918427296]
画像に埋め込まれた画像を収穫する新しいタイプの画像強調問題を提案する。
提案手法をディープ・フォト・クリーパーとディープ・イメージ・エンハンサーの2つのディープ・ネットワークに分割した。
フォトクロッパーネットワークでは,埋め込み画像の抽出に空間変換器を用いる。
フォトエンハンサーでは、埋め込み画像中の画素数を増やすために超解像を用いる。
論文 参考訳（メタデータ） (2020-08-03T03:50:20Z) - Quantification of groundnut leaf defects using image processing
algorithms [0.0]
本研究は, アンダラプラデシュの4地域を対象に, イメージ・プロセッシング技術を用いて, 被害したオオムギの葉面積を推定する試みである。
これらの4つの領域にわたる画像解析の結果、葉面積の約14～28%がグラウンドナッツ畑で影響を受けることが明らかとなった。
論文 参考訳（メタデータ） (2020-06-11T15:07:12Z)
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。