論文の概要: LANTERN-RD: Enabling Deep Learning for Mitigation of the Invasive
Spotted Lanternfly
- arxiv url: http://arxiv.org/abs/2205.06397v1
- Date: Thu, 12 May 2022 23:37:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-16 23:50:21.485131
- Title: LANTERN-RD: Enabling Deep Learning for Mitigation of the Invasive
Spotted Lanternfly
- Title（参考訳）: LANTERN-RD: 侵入型ランタンフライの緩和のためのディープラーニングの実現
- Authors: Srivatsa Kundurthy
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The Spotted Lanternfly (SLF) is an invasive planthopper that threatens the
local biodiversity and agricultural economy of regions such as the Northeastern
United States and Japan. As researchers scramble to study the insect, there is
a great potential for computer vision tasks such as detection, pose estimation,
and accurate identification to have important downstream implications in
containing the SLF. However, there is currently no publicly available dataset
for training such AI models. To enable computer vision applications and
motivate advancements to challenge the invasive SLF problem, we propose
LANTERN-RD, the first curated image dataset of the spotted lanternfly and its
look-alikes, featuring images with varied lighting conditions, diverse
backgrounds, and subjects in assorted poses. A VGG16-based baseline CNN
validates the potential of this dataset for stimulating fresh computer vision
applications to accelerate invasive SLF research. Additionally, we implement
the trained model in a simple mobile classification application in order to
directly empower responsible public mitigation efforts. The overarching mission
of this work is to introduce a novel SLF image dataset and release a
classification framework that enables computer vision applications, boosting
studies surrounding the invasive SLF and assisting in minimizing its
agricultural and economic damage.
- Abstract（参考訳）: 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。
研究者が昆虫の研究に没頭するにつれ、SLFを組み込む際に重要な下流に影響を及ぼすような、検出、ポーズ推定、正確な識別といったコンピュータビジョンのタスクには大きな可能性がある。
しかし、現在そのようなAIモデルをトレーニングするためのデータセットは公開されていない。
コンピュータビジョンの応用と、侵入SLF問題に挑戦するためのモチベーション向上を実現するため、我々は、観測されたランタンフライとその外観に関する最初のキュレートされた画像データセットであるLANTERN-RDを提案し、様々な照明条件、多様な背景、様々なポーズの被写体を特徴付ける。
VGG16ベースのベースラインCNNは、新しいコンピュータビジョンアプリケーションを刺激し、侵入SLF研究を加速するためのデータセットの可能性を検証する。
さらに, 簡易なモバイル分類アプリケーションにおいて, 教育モデルを実装し, 責任ある公衆衛生活動に直接力を与える。
本研究の包括的なミッションは、新しいSLFイメージデータセットを導入し、コンピュータビジョンアプリケーションを可能にする分類フレームワークをリリースし、侵略的なSLFを取り巻く研究を強化し、農業と経済の被害を最小限に抑えることである。
関連論文リスト
- Effective and Efficient Adversarial Detection for Vision-Language Models via A Single Vector [97.92369017531038]
Diverse hArmful Responses (RADAR) を用いた新しい laRge-scale Adervsarial 画像データセットを構築した。
そこで我々は,視覚言語モデル (VLM) の隠れ状態から抽出した1つのベクトルを利用して,入力中の良質な画像に対して対向画像を検出する,新しいiN時間埋め込み型AdveRSarial Image Detectction (NEARSIDE) 法を開発した。
論文 参考訳（メタデータ） (2024-10-30T10:33:10Z) - Optimization Efficient Open-World Visual Region Recognition [55.76437190434433]
RegionSpotは、ローカライゼーション基盤モデルから位置認識ローカライゼーション知識と、ViLモデルからのセマンティック情報を統合する。
オープンワールドオブジェクト認識の実験では、私たちのRereaSpotは、以前の代替よりも大きなパフォーマンス向上を実現しています。
論文 参考訳（メタデータ） (2023-11-02T16:31:49Z) - Application for White Spot Syndrome Virus (WSSV) Monitoring using Edge
Machine Learning [0.8602553195689513]
水産産業はエビの輸出に強く依存しており、ホワイトスポット症候群ウイルス(WSSV)のようなウイルス感染による課題に直面している。
そこで本研究では,WSSV認識のための限られたデータに対する課題について検討した。
データ収集とモニタリングに特化したモバイルアプリケーションは、WSSV認識モデルをトレーニングするイメージデータセットの作成を容易にするために開発された。
論文 参考訳（メタデータ） (2023-08-08T09:32:15Z) - Generative Adversarial Networks for Image Augmentation in Agriculture: A
Systematic Review [5.639656362091594]
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。
論文 参考訳（メタデータ） (2022-04-10T15:33:05Z) - Fine-Grained Image Analysis with Deep Learning: A Survey [146.22351342315233]
きめ細かい画像解析(FGIA)は、コンピュータビジョンとパターン認識における長年の根本的な問題である。
本稿では、FGIAの分野を再定義し、FGIAの2つの基礎研究領域、細粒度画像認識と細粒度画像検索を統合することで、FGIAの分野を広げようとしている。
論文 参考訳（メタデータ） (2021-11-11T09:43:56Z) - 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) - Self-Adaptive Transfer Learning for Multicenter Glaucoma Classification
in Fundus Retina Images [9.826586293806837]
マルチセンタデータセット間のドメインギャップを埋めるための自己適応型トランスファーラーニング(SATL)戦略を提案する。
具体的には、ソースドメイン上で事前訓練されたDLモデルのエンコーダを使用して、再構成モデルのエンコーダを初期化する。
以上の結果から,SATL法はプライベートおよび2つの公共緑内障診断データセット間の領域適応作業に有効であることが示唆された。
論文 参考訳（メタデータ） (2021-05-07T05:20:37Z) - LSM: Learning Subspace Minimization for Low-level Vision [78.27774638569218]
我々は、正規化項を学習可能な部分空間制約に置き換え、データ項をドメイン知識を活用するために保存する。
この学習サブスペース最小化(LSM)フレームワークは、多くの低レベル視覚タスクのネットワーク構造とパラメータを統一する。
インタラクティブな画像セグメンテーション、ビデオセグメンテーション、ステレオマッチング、オプティカルフローを含む4つの低レベルタスクについてLSMフレームワークを実証し、様々なデータセット上でネットワークを検証した。
論文 参考訳（メタデータ） (2020-04-20T10:49:38Z) - On Leveraging Pretrained GANs for Generation with Limited Data [83.32972353800633]
生成的敵ネットワーク(GAN)は、しばしば(人間によって)実際の画像と区別できない非常に現実的な画像を生成することができる。
このように生成されたほとんどの画像はトレーニングデータセットには含まれておらず、GAN生成データでトレーニングセットを増強する可能性を示唆している。
我々は、大規模なデータセットで事前訓練された既存のGANモデルを活用し、トランスファーラーニングの概念に従って追加の知識を導入する。
限られたデータを用いた生成における提案手法の有効性を示すため, 広範囲な実験を行った。
論文 参考訳（メタデータ） (2020-02-26T21:53:36Z) - Anomaly Detection by One Class Latent Regularized Networks [36.67420338535258]
近年,GANに基づく半教師付きジェネレーティブ・アドバイザリアル・ネットワーク(GAN)手法が,異常検出タスクで人気を集めている。
遅延特徴空間でトレーニングデータの基盤となる構造を捕捉する新しい対角デュアルオートエンコーダネットワークを提案する。
実験の結果,MNISTおよびCIFAR10データセットおよびGTSRB停止信号データセットの最先端結果が得られた。
論文 参考訳（メタデータ） (2020-02-05T02:21:52Z)
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。