論文の概要: HOB-CNN: Hallucination of Occluded Branches with a Convolutional Neural Network for 2D Fruit Trees

• arxiv url: http://arxiv.org/abs/2208.00002v1
• Date: Thu, 28 Jul 2022 06:12:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-02 14:27:36.366798
• Title: HOB-CNN: Hallucination of Occluded Branches with a Convolutional Neural Network for 2D Fruit Trees
• Title（参考訳）: hob-cnn:2次元果樹用畳み込みニューラルネットワークによる閉塞枝の幻覚
• Authors: Zijue Chen, Keenan Granland, Rhys Newbury, Chao Chen
• Abstract要約: 本研究では,木分岐位置予測のための回帰学習モデルであるHalucination of Occluded Branch Convolutional Neural Network (HOB-CNN)を提案する。
• 参考スコア（独自算出の注目度）: 4.574094598984042
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Orchard automation has attracted the attention of researchers recently due to the shortage of global labor force. To automate tasks in orchards such as pruning, thinning, and harvesting, a detailed understanding of the tree structure is required. However, occlusions from foliage and fruits can make it challenging to predict the position of occluded trunks and branches. This work proposes a regression-based deep learning model, Hallucination of Occluded Branch Convolutional Neural Network (HOB-CNN), for tree branch position prediction in varying occluded conditions. We formulate tree branch position prediction as a regression problem towards the horizontal locations of the branch along the vertical direction or vice versa. We present comparative experiments on Y-shaped trees with two state-of-the-art baselines, representing common approaches to the problem. Experiments show that HOB-CNN outperform the baselines at predicting branch position and shows robustness against varying levels of occlusion. We further validated HOB-CNN against two different types of 2D trees, and HOB-CNN shows generalization across different trees and robustness under different occluded conditions.
• Abstract（参考訳）: オーチャードの自動化は最近、世界的な労働力不足のために研究者の注目を集めている。 プランニング、シンニング、収穫などの果樹園の作業を自動化するには、木構造の詳細な理解が必要である。 しかし,葉や果実からのオクルージョンは,オクルードされた幹や枝の位置を予測するのに困難である。 本研究では,木分岐位置予測のための回帰学習モデルであるHalucination of Occluded Branch Convolutional Neural Network (HOB-CNN)を提案する。 本研究では,垂直方向に沿った枝の水平位置に対する回帰問題として,枝の位置予測を定式化する。 本稿では,2つの最先端のベースラインを持つY字樹の比較実験を行い,この問題に対する共通のアプローチを示す。 実験により, hob-cnnは分岐位置の予測においてベースラインを上回り, 種々の咬合レベルに対するロバスト性を示した。 さらに,HOB-CNNを2種類の異なる2次元木に対して検証し,HOB-CNNは異なる木にまたがる一般化と,異なる閉塞条件下での堅牢性を示した。

関連論文リスト

• DeepTree: Modeling Trees with Situated Latents [8.372189962601073]
  そこで本研究では,木を手作業で定義するのではなく,分岐構造に対する発達規則を学習する手法を提案する。 我々は、その振る舞いが本質的な状態によって決定されるため、潜伏状態にあるディープニューラルモデル(deep Neural model)と呼ぶ。 本手法では,複雑なパラメータを定義することなく,多様な木形を生成することができる。
  論文  参考訳（メタデータ） (2023-05-09T03:33:14Z)
• Causal Inference Based Single-branch Ensemble Trees For Uplift Modeling [9.923694628777744]
  本稿では,因果推論に基づく単枝アンサンブル木を用いたアップリフトモデリング,すなわちCIETを提案する。 2つの分割基準は、治療群と対照群の間の結果分布の差を最大化するように設計されている。 CIETは、アップリフト曲線(AUUC)とカイニ係数の両方の観点から、アップリフトモデリングの従来の手法よりも優れていることを示した。
  論文  参考訳（メタデータ） (2023-02-03T06:22:00Z)
• Lookback for Learning to Branch [77.32867454769936]
  Bipartite Graph Neural Networks (GNN) は、ディープラーニングに基づくMixed-Integer Linear Program (MILP) の重要コンポーネントであることが示されている。 近年の研究では、分岐とバウンド(B&B)の解法における分岐(可変選択)を置き換える上で、そのようなGNNの有効性が実証されている。
  論文  参考訳（メタデータ） (2022-06-30T02:33:32Z)
• Making CNNs Interpretable by Building Dynamic Sequential Decision Forests with Top-down Hierarchy Learning [62.82046926149371]
  本稿では,CNN(Convlutional Neural Networks)を解釈可能なモデル転送方式を提案する。 我々は、CNNの上に微分可能な意思決定林を構築することで、これを実現する。 DDSDF(Dep Dynamic Sequential Decision Forest)と命名する。
  論文  参考訳（メタデータ） (2021-06-05T07:41:18Z)
• Visualizing hierarchies in scRNA-seq data using a density tree-biased autoencoder [50.591267188664666]
  本研究では,高次元scRNA-seqデータから意味のある木構造を同定する手法を提案する。 次に、低次元空間におけるデータのツリー構造を強調する木バイアスオートエンコーダDTAEを紹介する。
  論文  参考訳（メタデータ） (2021-02-11T08:48:48Z)
• Growing Deep Forests Efficiently with Soft Routing and Learned Connectivity [79.83903179393164]
  この論文は、いくつかの重要な側面で深い森林のアイデアをさらに拡張します。 我々は、ノードがハードバイナリ決定ではなく、確率的ルーティング決定、すなわちソフトルーティングを行う確率的ツリーを採用する。 MNISTデータセットの実験は、私たちの力のある深部森林が[1]、[3]よりも優れたまたは匹敵するパフォーマンスを達成できることを示しています。
  論文  参考訳（メタデータ） (2020-12-29T18:05:05Z)
• Probing Predictions on OOD Images via Nearest Categories [97.055916832257]
  ニューラルネットワークが未確認のクラスや破損したイメージから画像を分類する際のアウト・オブ・ディストリビューション(OOD)予測挙動について検討する。 我々は、トレーニングセットにおいて、最も近い隣人と同じラベルで分類されたOOD入力の分数を計算するため、新しい測度、最も近いカテゴリ一般化(NCG)を導入する。 我々は、OODデータがロバストネス半径よりも遥かに遠くにある場合でも、ロバストネットワークは自然訓練よりも一貫してNCG精度が高いことを発見した。
  論文  参考訳（メタデータ） (2020-11-17T07:42:27Z)
• Semantic Segmentation for Partially Occluded Apple Trees Based on Deep Learning [4.996869748674549]
  我々は、教師付き学習モデルU-NetとDeepLabv3と条件付き生成アドリアルネットワークPix2Pixを用いて、部分的に閉鎖された2D-オープン-Vリンゴツリーを分割する。 DeepLabv3は、Binaryの精度で他のモデル、Mean IoUとBundary F1よりも優れているが、OccludedブランチリコールではPix2PixとU-Netに勝っている。
  論文  参考訳（メタデータ） (2020-10-14T08:43:22Z)
• Linguistically Driven Graph Capsule Network for Visual Question Reasoning [153.76012414126643]
  我々は「言語的に駆動されるグラフカプセルネットワーク」と呼ばれる階層的構成推論モデルを提案する。 具体的には,各カプセルを最下層に結合させ,元の質問に1つの単語を埋め込んだ言語的埋め込みを視覚的証拠で橋渡しする。 CLEVRデータセット、CLEVR合成生成テスト、およびFinalQAデータセットの実験は、我々のエンドツーエンドモデルの有効性と構成一般化能力を示す。
  論文  参考訳（メタデータ） (2020-03-23T03:34:25Z)

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。