論文の概要: Automated Identification of Tree Species by Bark Texture Classification
Using Convolutional Neural Networks
- arxiv url: http://arxiv.org/abs/2210.09290v1
- Date: Mon, 3 Oct 2022 13:09:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-23 20:44:42.872221
- Title: Automated Identification of Tree Species by Bark Texture Classification
Using Convolutional Neural Networks
- Title（参考訳）: 畳み込みニューラルネットワークを用いた樹皮テクスチャ分類による樹種の自動同定
- Authors: Sahil Faizal
- Abstract要約: 樹木種の同定は、森林保全、病気の診断、植物生産といった森林関連業務において重要な役割を担っている。
木の一部が葉、果物、花、樹皮であるべきか、区別するために使用されるのかという議論があった。
本稿では,50種の木を分類するために,コンピュータビジョンの手法を活用することによって,ディープラーニングに基づくアプローチを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Identification of tree species plays a key role in forestry related tasks
like forest conservation, disease diagnosis and plant production. There had
been a debate regarding the part of the tree to be used for differentiation,
whether it should be leaves, fruits, flowers or bark. Studies have proven that
bark is of utmost importance as it will be present despite seasonal variations
and provides a characteristic identity to a tree by variations in the
structure. In this paper, a deep learning based approach is presented by
leveraging the method of computer vision to classify 50 tree species, on the
basis of bark texture using the BarkVN-50 dataset. This is the maximum number
of trees being considered for bark classification till now. A convolutional
neural network(CNN), ResNet101 has been implemented using transfer-learning
based technique of fine tuning to maximise the model performance. The model
produced an overall accuracy of >94% during the evaluation. The performance
validation has been done using K-Fold Cross Validation and by testing on unseen
data collected from the Internet, this proved the model's generalization
capability for real-world uses.
- Abstract（参考訳）: 木種の同定は、森林保全、病気の診断、植物生産などの森林関連タスクにおいて重要な役割を担っている。
木の一部が葉、果物、花、樹皮であるべきか、区別するために使用されるかについて議論があった。
研究は、樹皮が季節変化にもかかわらず存在することが最も重要であることを証明し、構造の変化によって木に特徴的なアイデンティティを提供する。
本稿では,BarkVN-50データセットを用いた樹皮テクスチャに基づいて,コンピュータビジョンを用いて50種の樹種を分類することで,ディープラーニングに基づくアプローチを提案する。
今まで樹皮分類の対象とされた樹木の最大数である。
モデル性能を最大化するために、トランスファーラーニングに基づく微調整技術を用いて畳み込みニューラルネットワーク(CNN)ResNet101を実装した。
このモデルでは、評価中に全体の94%の精度が得られた。
性能検証はK-Fold Cross Validationを用いて行われ、インターネットから収集された見知らぬデータをテストすることにより、実世界の利用に対するモデルの一般化能力が証明された。
関連論文リスト
- BranchPoseNet: Characterizing tree branching with a deep learning-based pose estimation approach [0.0]
本稿では、ポーズ推定深層学習モデルを用いて、近位レーザー走査データ中の木の輪郭を自動的に検出するパイプラインを提案する。
正確な輪郭検出は、木の成長パターン、木質に関する貴重な洞察を与え、林業価値連鎖全体にわたって木を追跡するバイオメトリックマーカーとして使われる可能性がある。
論文 参考訳（メタデータ） (2024-09-23T07:10:11Z) - Tree semantic segmentation from aerial image time series [24.14827064108217]
1年以上にわたる空中データセット画像を用いて,樹木のセマンティックセグメンテーションを行う。
単体画像で訓練したモデルと時系列で訓練したモデルを比較し,木表現学がセグメンテーション性能に与える影響を評価する。
樹種分類の階層構造を,種,属,高水準の3つのレベルで予測を洗練させるカスタム・ロス・ファンクションを取り入れることで活用する。
論文 参考訳（メタデータ） (2024-07-18T02:19:57Z) - Learning a Decision Tree Algorithm with Transformers [75.96920867382859]
メタ学習によってトレーニングされたトランスフォーマーベースのモデルであるMetaTreeを導入し、強力な決定木を直接生成する。
我々は、多くのデータセットに欲求決定木とグローバルに最適化された決定木の両方を適合させ、MetaTreeを訓練して、強力な一般化性能を実現する木のみを生成する。
論文 参考訳（メタデータ） (2024-02-06T07:40:53Z) - Tree Detection and Diameter Estimation Based on Deep Learning [0.0]
樹木認識は、自律的な林業活動に向けた重要なビルディングブロックである。
データセットでトレーニングされたディープニューラルネットワークモデルは、木検出の精度90.4%を達成する。
結果は、自律的な倒木作戦への有望な道を提供する。
論文 参考訳（メタデータ） (2022-10-31T15:51:32Z) - Classification of Bark Beetle-Induced Forest Tree Mortality using Deep
Learning [7.032774322952993]
本研究では,深層学習に基づく学習手法を提案し,樹皮攻撃の異なる段階を木レベルで効果的に分類する。
提案手法は、無人航空機(UAV)が捉えた画像の異なる攻撃ステージを分類するために、RetinaNetアーキテクチャを用いて浅いサブネットワークを訓練する。
実験により, 平均精度98.95%を達成し, ベースライン法を約10%上回り, 提案手法の有効性を実証した。
論文 参考訳（メタデータ） (2022-07-15T00:16:25Z) - 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) - Optimal trees selection for classification via out-of-bag assessment and
sub-bagging [0.0]
一般に、木ベースの機械学習手法の予測性能は、トレーニングデータのサイズが大きくなるにつれて低下して改善される。
本研究では,本手法が内部検証によるトレーニング観測から学習できない最適樹木アンサンブル(OTE)について検討する。
そこで本研究では,OTEが内部検証における学習観察の損失を補うため,修正木選択法を提案する。
論文 参考訳（メタデータ） (2020-12-30T19:44:11Z) - 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) - MurTree: Optimal Classification Trees via Dynamic Programming and Search [61.817059565926336]
動的プログラミングと探索に基づいて最適な分類木を学習するための新しいアルゴリズムを提案する。
当社のアプローチでは,最先端技術が必要とする時間のごく一部しか使用せず,数万のインスタンスでデータセットを処理することが可能です。
論文 参考訳（メタデータ） (2020-07-24T17:06:55Z) - 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)
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。