論文の概要: The Power of Transfer Learning in Agricultural Applications: AgriNet
- arxiv url: http://arxiv.org/abs/2207.03881v1
- Date: Fri, 8 Jul 2022 13:15:16 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-11 13:34:42.089528
- Title: The Power of Transfer Learning in Agricultural Applications: AgriNet
- Title（参考訳）: 農業分野におけるトランスファー学習の力:AgriNet
- Authors: Zahraa Al Sahili and Mariette Awad
- Abstract要約: 我々は19以上の地理的な場所から160万の農業画像を集めたAgriNetデータセットを提案する。
また、5つのImageNetアーキテクチャ上で事前訓練されたモデルのセットであるAgriNetモデルを紹介します。
提案したすべてのモデルでは、植物種、病気、害虫、雑草の423種を87%の精度で正確に分類することが判明した。
- 参考スコア（独自算出の注目度）: 1.9087335681007478
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Advances in deep learning and transfer learning have paved the way for
various automation classification tasks in agriculture, including plant
diseases, pests, weeds, and plant species detection. However, agriculture
automation still faces various challenges, such as the limited size of datasets
and the absence of plant-domain-specific pretrained models. Domain specific
pretrained models have shown state of art performance in various computer
vision tasks including face recognition and medical imaging diagnosis. In this
paper, we propose AgriNet dataset, a collection of 160k agricultural images
from more than 19 geographical locations, several images captioning devices,
and more than 423 classes of plant species and diseases. We also introduce
AgriNet models, a set of pretrained models on five ImageNet architectures:
VGG16, VGG19, Inception-v3, InceptionResNet-v2, and Xception. AgriNet-VGG19
achieved the highest classification accuracy of 94 % and the highest F1-score
of 92%. Additionally, all proposed models were found to accurately classify the
423 classes of plant species, diseases, pests, and weeds with a minimum
accuracy of 87% for the Inception-v3 model.Finally, experiments to evaluate of
superiority of AgriNet models compared to ImageNet models were conducted on two
external datasets: pest and plant diseases dataset from Bangladesh and a plant
diseases dataset from Kashmir.
- Abstract（参考訳）: 深層学習と移動学習の進歩は、植物病、害虫、雑草、植物種検出など、農業における様々な自動化分類タスクの道を開いた。
しかし、農業の自動化は、データセットのサイズの制限や、植物ドメイン固有の事前訓練モデルがないなど、さまざまな課題に直面している。
ドメイン固有の事前訓練されたモデルは、顔認識や医用画像診断を含む様々なコンピュータビジョンタスクで芸術的パフォーマンスを示す。
本稿では,19以上の地理的な場所,いくつかの画像キャプション装置,および423以上の植物種と病気のクラスから160万件の農業画像を集めたAgriNetデータセットを提案する。
また、VGG16、VGG19、Inception-v3、InceptionResNet-v2、Xceptionという5つのImageNetアーキテクチャ上で事前訓練されたモデルのセットであるAgriNetモデルを紹介します。
AgriNet-VGG19の分類精度は94 %、F1スコアは92%であった。
さらに, 植物種, 病気, 害虫, 雑草の423種を, インセプションv3モデルで87%の精度で正確に分類し, 画像ネットモデルと比較してAgriNetモデルの優越性を評価する実験を, バングラデシュの害虫と植物病のデータセットとカシミールの植物病のデータセットの2つの外部データセットで行った。
関連論文リスト
- Self-supervised transformer-based pre-training method with General Plant Infection dataset [3.969851116372513]
本研究では、コントラスト学習とマスクド画像モデリング(MIM)を組み合わせた高度なネットワークアーキテクチャを提案する。
提案するネットワークアーキテクチャは,植物害虫や病原体認識タスクに対処し,優れた検出精度を実現する。
私たちのコードとデータセットは、植物害虫の研究と病気の認識を促進するために公開されます。
論文 参考訳（メタデータ） (2024-07-20T15:48:35Z) - 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) - 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) - Detection of healthy and diseased crops in drone captured images using
Deep Learning [0.0]
病気によって引き起こされる植物の正常な状態の破壊は、しばしば本質的な植物活動に干渉する。
ドローン画像を用いた植物病の効率的な検出のための深層学習に基づくアプローチを提案する。
論文 参考訳（メタデータ） (2023-05-22T21:15:12Z) - 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) - End-to-end deep learning for directly estimating grape yield from
ground-based imagery [53.086864957064876]
本研究は, ブドウ畑の収量推定に深層学習と併用した近位画像の応用を実証する。
オブジェクト検出、CNN回帰、トランスフォーマーモデルという3つのモデルアーキテクチャがテストされた。
本研究は,ブドウの収量予測における近位画像と深層学習の適用性を示した。
論文 参考訳（メタデータ） (2022-08-04T01:34:46Z) - 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) - 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) - Two-View Fine-grained Classification of Plant Species [66.75915278733197]
本研究では,2視点の葉のイメージ表現に基づく新しい手法と,植物種の粒度認識のための階層的分類戦略を提案する。
シームズ畳み込みニューラルネットワークに基づく深度測定は、多数のトレーニングサンプルへの依存を減らし、新しい植物種に拡張性を持たせるために用いられる。
論文 参考訳（メタデータ） (2020-05-18T21:57:47Z) - 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。