論文の概要: Understanding the Effect of Smartphone Cameras on Estimating Munsell Soil Colors from Imagery

• arxiv url: http://arxiv.org/abs/2210.06667v1
• Date: Thu, 13 Oct 2022 01:53:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-14 16:07:43.748722
• Title: Understanding the Effect of Smartphone Cameras on Estimating Munsell Soil Colors from Imagery
• Title（参考訳）: 画像からのマンセル土壌色推定におけるスマートフォンカメラの効果の理解
• Authors: Ricky Sinclair, Muhammad Ashad Kabir
• Abstract要約: マンセル土壌色チャート(英: Munsell soil color chart、MSCC)は、制御された条件下での研究室である。 本研究は, (i) 有効色空間の同定, (ii) 土壌色分析分野における多くの専門家にとって重要な基準を確立することを含む3つの研究領域について検討する。
• 参考スコア（独自算出の注目度）: 1.7513645771137178
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The Munsell soil color chart (MSCC) is a in laboratories under controlled conditions. To support an appbased solution, this paper explores three research areas including: (i) identifying the most effective color space, (ii) establishing then important reference for many professionals in the area of soil color analysis. Currently, the functionality to identify Munsell soil colors (MSCs) automatically from an image is only feasible color difference calculation method with the highest accuracy and (iii) evaluating the effects of smartphone cameras on estimating the MSCs. The existing methods that we have analysed have returned promising results and will help inform other researchers to better understand and develop informed solutions. This study provides both researchers and developers with an insight into the best methods for automatically predicting MSCs. Future research is needed to improve the reliability of results under differing environmental conditions.
• Abstract（参考訳）: マンセル土壌色チャート (mscc) は、制御された条件下での研究室である。 アプリケーションベースのソリューションをサポートするために,本稿では,以下の3つの研究領域について検討する。 (i)最も有効な色空間を特定する。 (ii)土壌色分析の分野における多くの専門家にとって重要な基準を確立すること。 現在、画像からMunsell土壌色(MSC)を自動的に識別する機能は、最も精度の高い色差計算方法であるのみである。 (iii)msc推定におけるスマートフォンカメラの影響評価 私たちが分析した既存の手法は有望な結果をもたらし、他の研究者にインフォームド・ソリューションをよりよく理解し開発させるのに役立つでしょう。 この研究は、研究者と開発者の両方に、MSCを自動的に予測する最良の方法に関する洞察を提供する。 異なる環境条件下での結果の信頼性を向上させるためには,今後の研究が必要である。

関連論文リスト

• Working with Color: How Color Quantization Can Aid Researchers of Problematic Information [0.0]
  我々は、問題のある情報キャンペーンから大量の画像を分析するために、幾何学的コンピュータグラフィックスと視覚手法を採用することに目を向ける。 我々は,アメリカ・メキシコ国境におけるオンラインヘイト画像の分析に向けたカラー量子化の実装について,有効事例を示す。
  論文  参考訳（メタデータ） (2024-08-06T20:00:48Z)
• Grad-CAMO: Learning Interpretable Single-Cell Morphological Profiles from 3D Cell Painting Images [0.0]
  教師付き特徴抽出器のための新しい単一セル解釈可能性スコアであるGrad-CAMOを紹介する。 Grad-CAMOは、関心の細胞と背景の細胞に集中しているモデルの注意率を測定する。
  論文  参考訳（メタデータ） (2024-03-26T11:48:37Z)
• Color Recognition in Challenging Lighting Environments: CNN Approach [0.0]
  研究者は、コンピュータビジョンの応用のための色検出技術を強化するために取り組んでいる。 この問題に対処するために,畳み込みニューラルネットワーク(CNN)に基づく色検出手法を提案する。 本手法は照明条件の異なる色検出の堅牢性を大幅に向上させることができることを実験的に検証した。
  論文  参考訳（メタデータ） (2024-02-07T11:26:00Z)
• Nondestructive, quantitative viability analysis of 3D tissue cultures using machine learning image segmentation [0.0]
  本稿では,3次元培養における細胞生存率の定量化のための画像処理アルゴリズムについて述べる。 提案アルゴリズムは,1対の人的専門家に対して,数日にわたる全体像と培養マトリクスの合成において,同様の性能を示すことを示す。
  論文  参考訳（メタデータ） (2023-11-15T20:28:31Z)
• A comprehensive review of 3D convolutional neural network-based classification techniques of diseased and defective crops using non-UAV-based hyperspectral images [0.1338174941551702]
  ハイパースペクトルイメージング(HSI)は、物体の構造と組成に関する貴重な情報を提供する非破壊的で接触のない技術である。 スペクトル範囲が広いため、HSIは作物の健康と生産性をモニタリングするためのより効果的なツールとなる。 農業技術におけるこのイメージングツールの出現により、研究者は病気や欠陥のある作物の検出に関する問題をより正確に解決することができる。
  論文  参考訳（メタデータ） (2023-06-15T18:02:53Z)
• Evaluation of the potential of Near Infrared Hyperspectral Imaging for monitoring the invasive brown marmorated stink bug [53.682955739083056]
  BMSB(Halyomorpha halys)は、数種の作物を害する世界的重要性の害虫である。 本研究は、BMSB検体を検出する技術として、NIR-HSI(Near Infrared Hyperspectral Imaging)を実験室レベルで予備評価する。
  論文  参考訳（メタデータ） (2023-01-19T11:37:20Z)
• Towards Multimodal Multitask Scene Understanding Models for Indoor Mobile Agents [49.904531485843464]
  本稿では,現実世界の屋内環境におけるラベル付きデータの不十分,あるいは不可能,といった主な課題について論じる。 MMISM (Multi-modality input Multi-task output Indoor Scene Understanding Model) について述べる。 MMISMは、RGB画像だけでなく、スパースライダーポイントを入力と3Dオブジェクト検出、深さ完了、人間のポーズ推定、セマンティックセグメンテーションを出力タスクとみなしている。 MMISMはシングルタスクモデルよりも同等かそれ以上の性能を示す。
  論文  参考訳（メタデータ） (2022-09-27T04:49:19Z)
• Measuring Perceptual Color Differences of Smartphone Photographs [55.9434603885868]
  知覚CD評価のための最大の画像データセットをまとめた。 我々は、軽量ニューラルネットワークに基づいて、エンドツーエンドで学習可能なCD公式を構築するための最初の試みの1つである。
  論文  参考訳（メタデータ） (2022-05-26T16:57:04Z)
• Using depth information and colour space variations for improving outdoor robustness for instance segmentation of cabbage [62.997667081978825]
  本研究は, 異なる環境条件下での作物のインスタンスセグメンテーションの改善に焦点をあてる。 深度情報と異なる色空間表現の影響を分析した。 その結果,色情報と組み合わせることでセグメンテーション精度が7.1%向上した。
  論文  参考訳（メタデータ） (2021-03-31T09:19:12Z)
• Monte Carlo Dropout Ensembles for Robust Illumination Estimation [94.14796147340041]
  計算カラー一貫性(Computational Color Constancy)は、多くのカメラシステムで使用される前処理ステップである。 出力の不確実性に応じて異なる深層学習手法を集約することを提案する。 提案したフレームワークはINTEL-TAUデータセット上での最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2020-07-20T13:56:14Z)
• Towards High Performance Human Keypoint Detection [87.1034745775229]
  文脈情報は人体構成や見えないキーポイントを推論する上で重要な役割を担っている。 そこで我々は,空間とチャネルのコンテキスト情報を効率的に統合するカスケードコンテキストミキサー(CCM)を提案する。 CCMの表現能力を最大化するために、我々は、強陰性な人検出マイニング戦略と共同訓練戦略を開発する。 検出精度を向上させるために,キーポイント予測を後処理するためのいくつかのサブピクセル改良手法を提案する。
  論文  参考訳（メタデータ） (2020-02-03T02:24:51Z)

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。