論文の概要: Plant Species Classification Using Transfer Learning by Pretrained
Classifier VGG-19
- arxiv url: http://arxiv.org/abs/2209.03076v1
- Date: Wed, 7 Sep 2022 11:28:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-08 12:02:19.548552
- Title: Plant Species Classification Using Transfer Learning by Pretrained
Classifier VGG-19
- Title（参考訳）: 事前学習型分類器VGG-19による植物種分類
- Authors: Thiru Siddharth, Bhupendra Singh Kirar, Dheeraj Kumar Agrawal
- Abstract要約: 本稿では,スウェーデンの葉の色を分離し,植物種を同定する手法について述べる。
高い精度を達成するために、事前に訓練された分類器VGG-19の助けを借りて、伝達学習を用いてタスクを完了させる。
このモデルは15の木のクラスを含むスウェーデンの葉のデータセットの側面に関連する知識を取得し、99.70%の精度で未知の植物の適切なクラスを予測するのに役立つ。
- 参考スコア（独自算出の注目度）: 1.933681537640272
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning is currently the most important branch of machine learning,
with applications in speech recognition, computer vision, image classification,
and medical imaging analysis. Plant recognition is one of the areas where image
classification can be used to identify plant species through their leaves.
Botanists devote a significant amount of time to recognizing plant species by
personally inspecting. This paper describes a method for dissecting color
images of Swedish leaves and identifying plant species. To achieve higher
accuracy, the task is completed using transfer learning with the help of
pre-trained classifier VGG-19. The four primary processes of classification are
image preprocessing, image augmentation, feature extraction, and recognition,
which are performed as part of the overall model evaluation. The VGG-19
classifier grasps the characteristics of leaves by employing pre-defined hidden
layers such as convolutional layers, max pooling layers, and fully connected
layers, and finally uses the soft-max layer to generate a feature
representation for all plant classes. The model obtains knowledge connected to
aspects of the Swedish leaf dataset, which contains fifteen tree classes, and
aids in predicting the proper class of an unknown plant with an accuracy of
99.70% which is higher than previous research works reported.
- Abstract（参考訳）: ディープラーニングは現在、音声認識、コンピュータビジョン、画像分類、医療画像解析など、機械学習の最も重要な分野である。
植物認識は、葉を通して植物種を識別するために画像分類が用いられる領域の1つである。
植物学者は個人的な検査によって植物種を認識することにかなりの時間を費やした。
本稿では,スウェーデン葉の色像の解剖と植物種同定について述べる。
高精度化のために、事前訓練された分類器VGG-19の助けを借りて、転送学習を用いてタスクを完了する。
分類の4つの主要なプロセスは、画像前処理、画像増補、特徴抽出、認識であり、全体のモデル評価の一部として行われる。
vgg-19分類器は、畳み込み層、最大プーリング層、完全連結層などの予め定義された隠れた層を用いて葉の特性を把握し、最終的にソフトマックス層を使用してすべての植物クラスの特徴表現を生成する。
このモデルは、15のツリークラスを含むスウェーデンのリーフデータセットの側面に関連する知識を取得し、以前の研究よりも高い99.70%の精度で未知の植物の適切なクラスを予測するのに役立つ。
関連論文リスト
- High-Throughput Phenotyping using Computer Vision and Machine Learning [0.0]
我々はオークリッジ国立研究所が提供した1,672枚のPopulus Trichocarpaの画像と白ラベルで治療を行った。
光文字認識(OCR)は、植物上でこれらのラベルを読むために用いられた。
機械学習モデルを用いて,これらの分類に基づいて処理を予測し,解析されたEXIFタグを用いて葉の大きさと表現型間の相関を見いだした。
論文 参考訳（メタデータ） (2024-07-08T19:46:31Z) - Performance of GAN-based augmentation for deep learning COVID-19 image
classification [57.1795052451257]
ディープラーニングを医療分野に適用する上で最大の課題は、トレーニングデータの提供である。
データ拡張は、限られたデータセットに直面した時に機械学習で使用される典型的な方法論である。
本研究は, 新型コロナウイルスの胸部X線画像セットを限定して, StyleGAN2-ADAモデルを用いて訓練するものである。
論文 参考訳（メタデータ） (2023-04-18T15:39:58Z) - Semantic Image Segmentation with Deep Learning for Vine Leaf Phenotyping [59.0626764544669]
本研究では,ブドウの葉のイメージを意味的にセグメント化するためにDeep Learning法を用いて,葉の表現型自動検出システムを開発した。
私たちの研究は、成長や開発のような動的な特性を捉え定量化できる植物ライフサイクルのモニタリングに寄与します。
論文 参考訳（メタデータ） (2022-10-24T14:37:09Z) - Learning multi-scale functional representations of proteins from
single-cell microscopy data [77.34726150561087]
局所化分類に基づいて訓練された単純な畳み込みネットワークは、多様な機能情報をカプセル化したタンパク質表現を学習できることを示す。
また,生物機能の異なるスケールでタンパク質表現の質を評価するためのロバストな評価戦略を提案する。
論文 参考訳（メタデータ） (2022-05-24T00:00:07Z) - Automated Feature-Specific Tree Species Identification from Natural
Images using Deep Semi-Supervised Learning [0.0]
本稿では,実世界の自然環境において木を識別できる,新しい2倍の頑健なアプローチを提案する。
我々は、深い半教師付き学習を通じて、未学習データを活用し、教師付き学習よりも優れた性能を示す。
論文 参考訳（メタデータ） (2021-10-08T09:25:32Z) - An Effective Leaf Recognition Using Convolutional Neural Networks Based
Features [1.137457877869062]
本稿では,葉の認識に有効な手法を提案する。
葉はいくつかの前処理を経て、精製された色画像、静脈像、xy投影ヒストグラム、手作りの形状、テクスチャの特徴、フーリエディスクリプタを抽出する。
これらの属性は、サポートベクターマシン(SVM)モデルを使用して異なる葉を分類する前に、ニューラルネットワークベースのエンコーダによってより良い表現に変換される。
論文 参考訳（メタデータ） (2021-08-04T02:02:22Z) - 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) - A Review of Visual Descriptors and Classification Techniques Used in
Leaf Species Identification [0.0]
植物学における主要な研究分野は、植物種同定、高スペクトル画像を用いた雑草分類、植物の健康状態のモニタリング、葉の生長の追跡、葉情報の意味論的解釈などである。
植物学者は、葉の形状、先端、基部、葉の縁、葉の静脈、葉のテクスチャと複合葉の葉の配置を区別することで、植物種を識別し易い。
特定の種、それらに影響を与える病気、葉の成長パターンなどを精査するために、葉を認識して特徴付けるインテリジェントなシステムが必要である。
論文 参考訳（メタデータ） (2020-09-13T14:11:00Z) - 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) - Automatic image-based identification and biomass estimation of
invertebrates [70.08255822611812]
時間を要する分類と分類は、どれだけの昆虫を処理できるかに強い制限を課す。
我々は、人間の専門家による分類と識別の標準的な手動アプローチを、自動画像ベース技術に置き換えることを提案する。
分類タスクには最先端のResnet-50とInceptionV3 CNNを使用する。
論文 参考訳（メタデータ） (2020-02-05T21:38:57Z)
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。