論文の概要: OliVaR: Improving Olive Variety Recognition using Deep Neural Networks

• arxiv url: http://arxiv.org/abs/2303.00431v1
• Date: Wed, 1 Mar 2023 11:39:54 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-02 15:07:21.290303
• Title: OliVaR: Improving Olive Variety Recognition using Deep Neural Networks
• Title（参考訳）: OliVaR: ディープニューラルネットワークを用いたオリーブ変量認識の改善
• Authors: Hristofor Miho, Giulio Pagnotta, Dorjan Hitaj, Fabio De Gaspari, Luigi V. Mancini, Georgios Koubouris, Gianluca Godino, Mehmet Hakan, Concepcion Mu\~noz Diez
• Abstract要約: 品種の誤認はオリーブセクターにおける潜在的な多くの問題を引き起こす。 品種識別と認証の基準は、形態学的分類と遺伝子解析の2つの方法からなる。 本稿では,オリーブ品種同定の新しいアプローチであるOliVaRを紹介する。
• 参考スコア（独自算出の注目度）: 0.623958961993531
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The easy and accurate identification of varieties is fundamental in agriculture, especially in the olive sector, where more than 1200 olive varieties are currently known worldwide. Varietal misidentification leads to many potential problems for all the actors in the sector: farmers and nursery workers may establish the wrong variety, leading to its maladaptation in the field; olive oil and table olive producers may label and sell a non-authentic product; consumers may be misled; and breeders may commit errors during targeted crossings between different varieties. To date, the standard for varietal identification and certification consists of two methods: morphological classification and genetic analysis. The morphological classification consists of the visual pairwise comparison of different organs of the olive tree, where the most important organ is considered to be the endocarp. In contrast, different methods for genetic classification exist (RAPDs, SSR, and SNP). Both classification methods present advantages and disadvantages. Visual morphological classification requires highly specialized personnel and is prone to human error. Genetic identification methods are more accurate but incur a high cost and are difficult to implement. This paper introduces OliVaR, a novel approach to olive varietal identification. OliVaR uses a teacher-student deep learning architecture to learn the defining characteristics of the endocarp of each specific olive variety and perform classification. We construct what is, to the best of our knowledge, the largest olive variety dataset to date, comprising image data for 131 varieties from the Mediterranean basin. We thoroughly test OliVaR on this dataset and show that it correctly predicts olive varieties with over 86% accuracy.
• Abstract（参考訳）: 品種の容易かつ正確な識別は、農業において、特にオリーブ部門では、1200種以上のオリーブ品種が現在世界中で知られている。 農家と保育所の労働者は間違った品種を確立し、その分野における不適応につながる可能性がある。オリーブオイルとテーブルオリーブの生産者は、本物でない製品をラベル付けして販売し、消費者は誤認されうる。 現在、品種識別と認証の標準は、形態学的分類と遺伝子解析の2つの方法で構成されている。 形態学的分類はオリーブ樹の異なる器官の視覚的対比較から成り、最も重要な器官は内果皮であると考えられている。 対照的に、異なる遺伝子分類法(RAPD、SSR、SNP)が存在する。 どちらの分類法も利点と欠点を示している。 視覚形態分類は高度に専門的な人材を必要とし、ヒューマンエラーを起こしやすい。 遺伝的同定法はより正確であるが、コストが高く、実装が困難である。 本稿では,オリーブ品種同定の新しいアプローチであるOliVaRを紹介する。 OliVaRは教師が学習するディープラーニングアーキテクチャを用いて,各オリーブ品種の内果皮の特徴を学習し,分類を行う。 我々は、地中海盆地の131品種の画像データを含む、これまでの最大のオリーブ品種データセットを、我々の知る限り、構築している。 このデータセット上でOliVaRを徹底的にテストし、86%以上の精度でオリーブ品種を正確に予測することを示した。

関連論文リスト

• A Saliency-based Clustering Framework for Identifying Aberrant Predictions [49.1574468325115]
  本稿では, 異常予測の概念を導入し, 分類誤差の性質が頻度と同じくらい重要であることを強調した。 本稿では,誤分類率の低減と異常予測の識別を両立する,新しい,効率的なトレーニング手法を提案する。 本手法を獣医学の分野である獣医学の分野に応用し, 被曝率は高いが, 人体医学に比べて広く研究されていない。
  論文  参考訳（メタデータ） (2023-11-11T01:53:59Z)
• Leaf Cultivar Identification via Prototype-enhanced Learning [16.554823962192486]
  植物葉の識別は生物多様性の保護と保全に不可欠である。 実際には、インスタンスは多種多様で様々な程度に関連づけられることがある。 ワンホットラベルでトレーニングされたディープラーニングメソッドは、カテゴリ間で共有されるパターンを反映しない。
  論文  参考訳（メタデータ） (2023-05-05T08:11:31Z)
• Fruit Ripeness Classification: a Survey [59.11160990637616]
  食品を格付けするための特徴記述子を多用する多くの自動的手法が提案されている。 機械学習とディープラーニング技術がトップパフォーマンスの手法を支配している。 ディープラーニングは生のデータで操作できるため、複雑なエンジニアリング機能を計算する必要がなくなる。
  論文  参考訳（メタデータ） (2022-12-29T19:32:20Z)
• Few-Shot Meta Learning for Recognizing Facial Phenotypes of Genetic Disorders [55.41644538483948]
  分類の自動化と類似性検索は、医師が可能な限り早期に遺伝状態の診断を行うための意思決定を支援する。 従来の研究は分類問題としてこの問題に対処し、深層学習法を用いてきた。 本研究では,健常人の大規模なコーパスで訓練した顔認識モデルを用いて,顔の表情認識に移行した。
  論文  参考訳（メタデータ） (2022-10-23T11:52:57Z)
• Relational Subsets Knowledge Distillation for Long-tailed Retinal Diseases Recognition [65.77962788209103]
  本研究では,長尾データを知識に基づいて複数のクラスサブセットに分割し,クラスサブセット学習を提案する。 モデルがサブセット固有の知識の学習に集中するように強制する。 提案手法は長期網膜疾患認識タスクに有効であることが判明した。
  論文  参考訳（メタデータ） (2021-04-22T13:39:33Z)
• Improved Neural Network based Plant Diseases Identification [0.0]
  農業部門は、多くの人々や食料に基本的な収入を提供するため、すべての国にとって必須であり、この惑星で生き残るための基本的な要件である。 植物病の知識が不十分なため、農家は肥料を過剰に使用し、最終的に食物の品質を低下させる。 現段階では、画像処理は植物の葉の病変領域を識別し、カタログ化するために用いられる。
  論文  参考訳（メタデータ） (2021-01-01T11:49:56Z)
• Usefulness of interpretability methods to explain deep learning based plant stress phenotyping [8.786924604224101]
  8種類のダイズストレス(抗生物質および抗生物質)の分類のためのDenseNet-121ネットワークを訓練する テストデータの多種多様なサブセットについては、重要な特徴と人間の専門家が特定した特徴を比較した。 ほとんどの解釈可能性法は、葉の感染した領域を、正しく分類された画像の重要な特徴として識別する。
  論文  参考訳（メタデータ） (2020-07-11T09:28:50Z)
• 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)
• A Systematic Evaluation: Fine-Grained CNN vs. Traditional CNN Classifiers [54.996358399108566]
  本稿では,大規模分類データセット上でトップノーチ結果を示すランドマーク一般的なCNN分類器の性能について検討する。 最先端のきめ細かい分類器と比較する。 実験において, 粒度の細かい分類器がベースラインを高められるかどうかを判定するために, 6つのデータセットについて広範囲に評価する。
  論文  参考訳（メタデータ） (2020-03-24T23:49:14Z)

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。