論文の概要: Corn Yield Prediction based on Remotely Sensed Variables Using
Variational Autoencoder and Multiple Instance Regression
- arxiv url: http://arxiv.org/abs/2211.13286v1
- Date: Wed, 23 Nov 2022 20:18:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-28 15:15:21.267826
- Title: Corn Yield Prediction based on Remotely Sensed Variables Using
Variational Autoencoder and Multiple Instance Regression
- Title（参考訳）: 変分オートエンコーダと複数インスタンス回帰を用いたリモートセンシング変数に基づくトウモロコシ収量予測
- Authors: Zeyu Cao, Yuchi Ma, Zhou Zhang
- Abstract要約: アメリカ合衆国ではトウモロコシが最も生産される作物であり、アメリカ食生活に欠かせない部分であった。
サプライチェーン管理と地域食料安全保障の需要に応えるため、精密農業において、正確かつタイムリーに大規模なトウモロコシ収量予測が注目されている。
近年,収穫量予測のためにリモートセンシング技術や機械学習手法が広く研究されている。
- 参考スコア（独自算出の注目度）: 1.2697842097171117
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In the U.S., corn is the most produced crop and has been an essential part of
the American diet. To meet the demand for supply chain management and regional
food security, accurate and timely large-scale corn yield prediction is
attracting more attention in precision agriculture. Recently, remote sensing
technology and machine learning methods have been widely explored for crop
yield prediction. Currently, most county-level yield prediction models use
county-level mean variables for prediction, ignoring much detailed information.
Moreover, inconsistent spatial resolution between crop area and satellite
sensors results in mixed pixels, which may decrease the prediction accuracy.
Only a few works have addressed the mixed pixels problem in large-scale crop
yield prediction. To address the information loss and mixed pixels problem, we
developed a variational autoencoder (VAE) based multiple instance regression
(MIR) model for large-scaled corn yield prediction. We use all unlabeled data
to train a VAE and the well-trained VAE for anomaly detection. As a preprocess
method, anomaly detection can help MIR find a better representation of every
bag than traditional MIR methods, thus better performing in large-scale corn
yield prediction. Our experiments showed that variational autoencoder based
multiple instance regression (VAEMIR) outperformed all baseline methods in
large-scale corn yield prediction. Though a suitable meta parameter is
required, VAEMIR shows excellent potential in feature learning and extraction
for large-scale corn yield prediction.
- Abstract（参考訳）: アメリカ合衆国ではトウモロコシが最も生産される作物であり、アメリカ食生活の重要な部分である。
サプライチェーン管理と地域食料安全保障の需要を満たすために、精密でタイムリーなトウモロコシ収量予測が精密農業においてより注目を集めている。
近年,収穫量予測のためのリモートセンシング技術や機械学習手法が広く研究されている。
現在、郡レベルの収量予測モデルは郡レベルの平均変数を予測に用い、詳細な情報は無視している。
さらに、作物面積と衛星センサ間の不整合空間分解能は混合画素となり、予測精度が低下する可能性がある。
大規模な収穫量予測における混合画素問題に対処した作品はごくわずかである。
情報損失と混合画素問題に対処するため,大規模トウモロコシ収量予測のための変分オートエンコーダ(VAE)に基づく多重インスタンス回帰(MIR)モデルを開発した。
ラベルなしのデータを全て使用して、VAEをトレーニングし、よく訓練されたVAEを異常検出に使用します。
前処理法として、異常検出はMIRが従来のMIR法よりも全てのバッグのより良い表現を見つけるのに役立つため、大規模なトウモロコシの収量予測においてより優れた性能を発揮する。
大規模トウモロコシ収量予測において,変分オートエンコーダベースの多重インスタンス回帰(vaemir)がすべてのベースライン法を上回った。
適切なメタパラメータが必要であるが、VAEMIRは大規模トウモロコシ収量予測のための特徴学習と抽出に優れた可能性を示している。
関連論文リスト
- Learning Augmentation Policies from A Model Zoo for Time Series Forecasting [58.66211334969299]
本稿では,強化学習に基づく学習可能なデータ拡張手法であるAutoTSAugを紹介する。
限界サンプルを学習可能なポリシーで強化することにより、AutoTSAugは予測性能を大幅に改善する。
論文 参考訳（メタデータ） (2024-09-10T07:34:19Z) - ASPEST: Bridging the Gap Between Active Learning and Selective
Prediction [56.001808843574395]
選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。
アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。
本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
論文 参考訳（メタデータ） (2023-04-07T23:51:07Z) - Comparing Machine Learning Techniques for Alfalfa Biomass Yield
Prediction [0.8808021343665321]
アルファルファの作物は 家畜の餌として 世界的に重要で 効率的な植え付けと収穫は 多くの産業に役立ちます
機械学習を用いてアルファルファやその他の作物の収量を予測する最近の研究は、有望であることが示されている。
これまでの取り組みでは、リモートセンシング、天気、植林、土壌データを使用して、収量予測のための機械学習モデルをトレーニングしていた。
論文 参考訳（メタデータ） (2022-10-20T13:00:33Z) - Generative models-based data labeling for deep networks regression:
application to seed maturity estimation from UAV multispectral images [3.6868861317674524]
種子の成熟度モニタリングは、気候変動とより制限的な慣行による農業における課題の増加である。
従来の手法は、フィールドでの限られたサンプリングと実験室での分析に基づいている。
マルチスペクトルUAV画像を用いたパセリ種子の成熟度推定手法の提案と,自動ラベリングのための新しいアプローチを提案する。
論文 参考訳（メタデータ） (2022-08-09T09:06:51Z) - Unsupervised Graph Spectral Feature Denoising for Crop Yield Prediction [27.604637365723676]
郡粒度の年間収穫量の予測は、国産食品生産と価格安定にとって重要である。
深層学習予測モデルに入力されるグラフスペクトルフィルタリングによって関連する特徴を識別する。
特定特徴を入力として使用することにより、収量予測モデルの性能を顕著に向上させることができる。
論文 参考訳（メタデータ） (2022-08-04T15:18:06Z) - Sample-dependent Adaptive Temperature Scaling for Improved Calibration [95.7477042886242]
ニューラルネットワークの誤りを補うポストホックアプローチは、温度スケーリングを実行することだ。
入力毎に異なる温度値を予測し、信頼度と精度のミスマッチを調整することを提案する。
CIFAR10/100およびTiny-ImageNetデータセットを用いて,ResNet50およびWideResNet28-10アーキテクチャ上で本手法をテストする。
論文 参考訳（メタデータ） (2022-07-13T14:13:49Z) - Learning to Predict Trustworthiness with Steep Slope Loss [69.40817968905495]
本研究では,現実の大規模データセットにおける信頼性の予測問題について検討する。
我々は、先行技術損失関数で訓練された信頼性予測器が、正しい予測と誤った予測の両方を信頼に値するものとみなす傾向があることを観察する。
そこで我々は,2つのスライド状の曲線による不正確な予測から,特徴w.r.t.正しい予測を分離する,新たな急勾配損失を提案する。
論文 参考訳（メタデータ） (2021-09-30T19:19:09Z) - YieldNet: A Convolutional Neural Network for Simultaneous Corn and
Soybean Yield Prediction Based on Remote Sensing Data [14.312926581466852]
本稿では,複数作物の収量を予測するモデルYieldNetを提案し,同時に複数作物の収量間の相互作用を考察する。
その結果,提案手法は収穫前1～4ヶ月の収穫量を正確に予測し,他の最先端手法と競合することを示した。
論文 参考訳（メタデータ） (2020-12-05T22:09:07Z) - DeepCorn: A Semi-Supervised Deep Learning Method for High-Throughput
Image-Based Corn Kernel Counting and Yield Estimation [20.829106642703277]
本研究では,実時間データの収集を支援するために,フィールド内における実時間コーンカーネルをカウントする新しい深層学習手法を提案する。
DeepCornはトウモロコシの耳の画像中のトウモロコシの核の密度を推定し、推定された密度マップに基づいて核の数を予測する。
提案手法は, コーンカーネルカウントタスクにおいて, 41.36と60.27のMAEとRMSEをそれぞれ達成する。
論文 参考訳（メタデータ） (2020-07-20T23:00:39Z) - Evaluating Prediction-Time Batch Normalization for Robustness under
Covariate Shift [81.74795324629712]
我々は予測時間バッチ正規化と呼び、共変量シフト時のモデル精度とキャリブレーションを大幅に改善する。
予測時間バッチ正規化は、既存の最先端アプローチに相補的な利点をもたらし、ロバスト性を向上させることを示します。
この手法は、事前トレーニングと併用して使用すると、さまざまな結果が得られるが、より自然なタイプのデータセットシフトでは、パフォーマンスが良くないようだ。
論文 参考訳（メタデータ） (2020-06-19T05:08:43Z) - RAIN: A Simple Approach for Robust and Accurate Image Classification
Networks [156.09526491791772]
既存の敵防衛手法の大部分は、予測精度を犠牲にして堅牢性を実現することが示されている。
本稿では,ロバストおよび高精度画像分類N(RAIN)と呼ぶ新しい前処理フレームワークを提案する。
RAINは入力に対してランダム化を適用して、モデルフォワード予測パスと後方勾配パスの関係を壊し、モデルロバスト性を改善する。
STL10 と ImageNet のデータセットを用いて、様々な種類の敵攻撃に対する RAIN の有効性を検証する。
論文 参考訳（メタデータ） (2020-04-24T02:03:56Z)
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。