論文の概要: Automatic counting of mounds on UAV images: combining instance segmentation and patch-level correction

• arxiv url: http://arxiv.org/abs/2209.02608v1
• Date: Tue, 6 Sep 2022 16:02:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-07 14:27:08.663090
• Title: Automatic counting of mounds on UAV images: combining instance segmentation and patch-level correction
• Title（参考訳）: uav画像におけるマウンドの自動計測:インスタンス分割とパッチレベル補正の併用
• Authors: Majid Nikougoftar Nategh, Ahmed Zgaren, Wassim Bouachir, Nizar Bouguila
• Abstract要約: 無人航空機(UAV)イメージングとコンピュータビジョンの進歩を生かした新しい枠組みを提案する。 我々は,深層学習アルゴリズムに基づく画像認識手法を用いて,画素ベースセグメンテーションによる複数物体検出を行う。 局所的ブロック特性に基づいて最終マウンド数を予測する機械学習推定関数を用いる。
• 参考スコア（独自算出の注目度）: 15.912811733537668
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Site preparation by mounding is a commonly used silvicultural treatment that improves tree growth conditions by mechanically creating planting microsites called mounds. Following site preparation, the next critical step is to count the number of mounds, which provides forest managers with a precise estimate of the number of seedlings required for a given plantation block. Counting the number of mounds is generally conducted through manual field surveys by forestry workers, which is costly and prone to errors, especially for large areas. To address this issue, we present a novel framework exploiting advances in Unmanned Aerial Vehicle (UAV) imaging and computer vision to accurately estimate the number of mounds on a planting block. The proposed framework comprises two main components. First, we exploit a visual recognition method based on a deep learning algorithm for multiple object detection by pixel-based segmentation. This enables a preliminary count of visible mounds, as well as other frequently seen objects (e.g. trees, debris, accumulation of water), to be used to characterize the planting block. Second, since visual recognition could limited by several perturbation factors (e.g. mound erosion, occlusion), we employ a machine learning estimation function that predicts the final number of mounds based on the local block properties extracted in the first stage. We evaluate the proposed framework on a new UAV dataset representing numerous planting blocks with varying features. The proposed method outperformed manual counting methods in terms of relative counting precision, indicating that it has the potential to be advantageous and efficient in difficult situations.
• Abstract（参考訳）: マウンド処理による部位調製は、マウンドと呼ばれる植林微生物を機械的に生成することにより、木の成長条件を改善するために一般的に用いられるシルビカルチャー処理である。 現場の準備の後、次の重要なステップはマウンド数を数えることであり、森林管理者は所定のプランテーションブロックに必要な苗数を正確に見積もることができる。 マウンド数を数えるのは、森林労働者による手作業による調査が一般的であり、特に大規模な地域では、コストがかかりエラーが発生しやすい。 この問題に対処するために,無人航空機(UAV)イメージングとコンピュータビジョンの進歩を利用して,植林ブロックのマウンド数を正確に推定する新しい枠組みを提案する。 提案するフレームワークは2つの主要コンポーネントから構成される。 まず, 深層学習アルゴリズムに基づく画像認識手法を用いて, 画素ベースセグメンテーションによる複数物体検出を行う。 これにより、目に見えるマウンドや、しばしば見られる他のオブジェクト(木、破片、水の蓄積など)の予備的なカウントが、植木ブロックを特徴付けることができる。 第2に、視覚認識はいくつかの摂動要因(例えばマウンド侵食、閉塞)によって制限される可能性があるため、第1段階で抽出された局所的ブロック特性に基づいてマウンドの最終的な数を予測する機械学習推定関数を用いる。 異なる特徴を持つ多数の植林ブロックを表す新しいUAVデータセット上で,提案手法の評価を行った。 提案手法は, 比較的精度の高い手動計数法より優れており, 難易度において有利かつ効率的である可能性が示唆された。

関連論文リスト

• Machine Learning Approaches on Crop Pattern Recognition a Comparative Analysis [0.0]
  収穫パターンの生成に時系列リモートセンシングデータを用いた。 分類アルゴリズムは、作物のパターンと地図化された農地の分類に使用される。 本稿では,Deep Neural Network(DNN)に基づく分類を提案し,作物パターン認識の性能向上を図る。
  論文  参考訳（メタデータ） (2024-11-19T17:19:20Z)
• CountMamba: Exploring Multi-directional Selective State-Space Models for Plant Counting [33.41299696340091]
  植物カウントは、種子の育種、発芽、栽培、受精、受粉収量の推定、収穫など、農業のあらゆる段階において不可欠である。 逐次走査法により高分解能画像中の被写体を数えることに着想を得て, 状態空間モデル(SSM)を用いて植物計測タスクを処理し, 結果を生成する可能性を探る。 我々は,複数のカウント専門家が同時に様々な方向からスキャンできるように,CountMambaという新しいカウント手法を提案する。
  論文  参考訳（メタデータ） (2024-10-10T01:52:57Z)
• A Video-Based Activity Classification of Human Pickers in Agriculture [0.4915744683251149]
  ビデオベースのヒューマンピッカー検出のためのベンチマークモデルを作成する。 提案手法では,Mask領域をベースとした畳み込みニューラルネットワーク(Mask R-CNN)をオブジェクト検出に用いた。 カーネル密度推定(KDE)分析とK平均クラスタリングアルゴリズムに基づいて分類基準を定義する。
  論文  参考訳（メタデータ） (2023-11-17T22:02:42Z)
• Automatic counting of planting microsites via local visual detection and global count estimation [21.570524485954635]
  林業では、植林作業に先立って、マウンディングによる機械的部位の整備が広く用いられている。 プランニング作業における主な問題は、プランニングブロックに存在するマウンドの数を見積もることの難しさである。 近年のUAV画像と人工知能の進歩に触発されて,植林ブロックのマウンド数を推定する完全に自動化された枠組みを提案する。
  論文  参考訳（メタデータ） (2023-11-01T19:31:54Z)
• Focus for Free in Density-Based Counting [56.961229110268036]
  利用可能なポイントアノテーションを再利用して、カウント性能を向上させる2つの方法を紹介します。 1つ目は、ポイントアノテーションを利用して、入力画像と密度画像の両方で隠蔽されたオブジェクトをシミュレートするカウント固有の拡張である。 第2の方法である前景蒸留は点アノテーションから前景マスクを生成し,黒色背景を持つ画像上で補助的ネットワークを訓練する。
  論文  参考訳（メタデータ） (2023-06-08T11:54:37Z)
• DIR-AS: Decoupling Individual Identification and Temporal Reasoning for Action Segmentation [84.78383981697377]
  完全な教師付きアクションセグメンテーションは、高密度アノテーションによるフレームワイドアクション認識に作用し、しばしば過剰なセグメンテーションの問題に悩まされる。 本研究では, 時間的ピラミッド拡張と時間的ピラミッドプールを併用して, 効率的なマルチスケールアテンションを実現するため, 新たなローカル・グローバルアテンション機構を開発した。 GTEAでは82.8%(+2.6%)、Breakfastでは74.7%(+1.2%)の精度を実現し,本手法の有効性を示した。
  論文  参考訳（メタデータ） (2023-04-04T20:27:18Z)
• PANet: Perspective-Aware Network with Dynamic Receptive Fields and Self-Distilling Supervision for Crowd Counting [63.84828478688975]
  本稿では,視点問題に対処するため,PANetと呼ばれる新しい視点認識手法を提案する。 対象物のサイズが視点効果によって1つの画像で大きく変化するという観測に基づいて,動的受容場(DRF)フレームワークを提案する。 このフレームワークは、入力画像に応じて拡張畳み込みパラメータによって受容野を調整することができ、モデルが各局所領域についてより識別的な特徴を抽出するのに役立つ。
  論文  参考訳（メタデータ） (2021-10-31T04:43:05Z)
• Counting from Sky: A Large-scale Dataset for Remote Sensing Object Counting and A Benchmark Method [52.182698295053264]
  リモートセンシング画像から高密度物体をカウントすることに興味がある。自然界における物体のカウントと比較すると、このタスクは、大規模変動、複雑な乱れ背景、配向仲裁といった要因において困難である。 これらの課題に対処するために,我々はまず,4つの重要な地理的対象を含むリモートセンシング画像を用いた大規模オブジェクトカウントデータセットを構築した。 次に、入力画像の密度マップを生成する新しいニューラルネットワークを設計することで、データセットをベンチマークする。
  論文  参考訳（メタデータ） (2020-08-28T03:47:49Z)
• Deep Semi-supervised Knowledge Distillation for Overlapping Cervical Cell Instance Segmentation [54.49894381464853]
  本稿では, ラベル付きデータとラベルなしデータの両方を, 知識蒸留による精度向上に活用することを提案する。 摂動に敏感なサンプルマイニングを用いたマスク誘導型平均教師フレームワークを提案する。 実験の結果,ラベル付きデータのみから学習した教師付き手法と比較して,提案手法は性能を著しく向上することがわかった。
  論文  参考訳（メタデータ） (2020-07-21T13:27:09Z)
• Semi-Supervised Crowd Counting via Self-Training on Surrogate Tasks [50.78037828213118]
  本稿では,機能学習の観点から,半教師付き群集カウント問題に取り組む。 本稿では,2つの革新的なコンポーネント上に構築された,新しい半教師付き群集カウント手法を提案する。
  論文  参考訳（メタデータ） (2020-07-07T05:30:53Z)

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。