論文の概要: Deep-Learning-based Counting Methods, Datasets, and Applications in
Agriculture -- A Review
- arxiv url: http://arxiv.org/abs/2303.02632v1
- Date: Sun, 5 Mar 2023 10:17:10 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-07 18:32:31.521220
- Title: Deep-Learning-based Counting Methods, Datasets, and Applications in
Agriculture -- A Review
- Title(参考訳): ディープラーニングに基づく農業のカウンティング手法, データセット, 応用 -- 概観
- Authors: Guy Farjon, Liu Huijun, Yael Edan
- Abstract要約: オブジェクトの数は、農業領域における様々なタスクにおいて重要な要素であると考えられている。
ディープラーニングは多くの農業関連の応用にますます応用されている。
本稿は、過去10年間の進歩と農業における数え方技術の現状を概観する。
- 参考スコア(独自算出の注目度): 2.502736390145838
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The number of objects is considered an important factor in a variety of tasks
in the agricultural domain. Automated counting can improve farmers decisions
regarding yield estimation, stress detection, disease prevention, and more. In
recent years, deep learning has been increasingly applied to many
agriculture-related applications, complementing conventional computer-vision
algorithms for counting agricultural objects. This article reviews progress in
the past decade and the state of the art for counting methods in agriculture,
focusing on deep-learning methods. It presents an overview of counting
algorithms, metrics, platforms, and sensors, a list of all publicly available
datasets, and an in-depth discussion of various deep-learning methods used for
counting. Finally, it discusses open challenges in object counting using deep
learning and gives a glimpse into new directions and future perspectives for
counting research. The review reveals a major leap forward in object counting
in agriculture in the past decade, led by the penetration of deep learning
methods into counting platforms.
- Abstract(参考訳): 農業分野における様々な業務において,対象の数が重要な要因であると考えられる。
自動カウントは、収量推定、ストレス検出、疾病予防などに関する農家の判断を改善する。
近年、ディープラーニングは多くの農業関連アプリケーションに適用され、従来の農業対象を数えるためのコンピュータビジョンアルゴリズムを補完している。
本稿では,過去10年間の進歩と農業におけるメソッドカウント技術の現状を,深層学習に焦点をあててレビューする。
カウントアルゴリズム、メトリクス、プラットフォーム、センサーの概観、公開データセットの一覧、カウントに使用されるさまざまなディープラーニングメソッドの詳細な議論などが紹介されている。
最後に、ディープラーニングを用いたオブジェクトカウントにおけるオープンな課題について論じ、研究の新たな方向性と今後の展望を垣間見る。
このレビューは、過去10年間の農業におけるオブジェクトカウントの飛躍的な進歩を明らかにしている。
関連論文リスト
- Recent applications of machine learning, remote sensing, and iot
approaches in yield prediction: a critical review [0.0]
農業におけるリモートセンシングと機械学習の統合は、業界を変えつつある。
本稿では、作物収量予測にRS、ML、クラウドコンピューティング、IoTを使用した関連記事についてレビューする。
論文 参考訳(メタデータ) (2023-06-07T16:13:16Z) - ChatAgri: Exploring Potentials of ChatGPT on Cross-linguistic
Agricultural Text Classification [8.18726897455402]
高効率で必要な農業知識にアクセスできるようにするために,効果的なテキスト分類手法を検討することが急務である。
プレトレーニング言語モデル(PLM)に微調整戦略を取り入れた主流のディープラーニングアプローチは、ここ数年で顕著なパフォーマンス向上を示してきた。
本研究では,農業情報化分野に適用するChatGPTの能力と利用性について検討する。
論文 参考訳(メタデータ) (2023-05-24T11:06:23Z) - Label-Efficient Learning in Agriculture: A Comprehensive Review [15.117639286963604]
著者らは、ラベル効率のよいML/DLメソッドを監督の度合いに応じて整理する原則的な分類法を開発した。
本稿では,これらのラベル効率アルゴリズムを利用した各種農業応用の体系的レビューを紹介する。
論文 参考訳(メタデータ) (2023-05-24T03:53:20Z) - Knowledge-enhanced Neural Machine Reasoning: A Review [67.51157900655207]
既存の知識強化手法を2つの主要なカテゴリと4つのサブカテゴリに分類する新しい分類法を導入する。
我々は、現在のアプリケーションドメインを解明し、将来的な研究の展望について洞察を提供する。
論文 参考訳(メタデータ) (2023-02-04T04:54:30Z) - A systematic review of the use of Deep Learning in Satellite Imagery for
Agriculture [8.483010768003613]
現代のディープラーニング手法は、ほとんどのタスクで従来の機械学習よりも一貫して優れていた。
LSTMリカレントニューラルネットワークは、収量予測のためにランダムフォレストを一貫して上回らなかった。
いくつかの研究は、衛星画像で利用可能な余分なスペクトル分解能を特に利用した。
論文 参考訳(メタデータ) (2022-10-03T23:44:38Z) - Learning crop type mapping from regional label proportions in
large-scale SAR and optical imagery [9.303156731091532]
本研究は,作物ラベルの比率を事前に用いたオンラインディープクラスタリング手法を提案し,サンプルレベル分類器を学習する。
ブラジルの2つの異なる農業地域から得られた2つの大きなデータセットを用いて,本手法の評価を行った。
論文 参考訳(メタデータ) (2022-08-24T15:23:26Z) - A Multi-label Continual Learning Framework to Scale Deep Learning
Approaches for Packaging Equipment Monitoring [57.5099555438223]
連続シナリオにおけるマルチラベル分類を初めて研究した。
タスク数に関して対数的複雑性を持つ効率的なアプローチを提案する。
我々は,包装業界における実世界のマルチラベル予測問題に対するアプローチを検証した。
論文 参考訳(メタデータ) (2022-08-08T15:58:39Z) - Recent Few-Shot Object Detection Algorithms: A Survey with Performance
Comparison [54.357707168883024]
Few-Shot Object Detection (FSOD)は、人間の学習能力を模倣する。
FSODは、学習した汎用オブジェクトの知識を共通のヘビーテールから新しいロングテールオブジェクトクラスにインテリジェントに転送する。
本稿では,問題定義,共通データセット,評価プロトコルなどを含むFSODの概要を紹介する。
論文 参考訳(メタデータ) (2022-03-27T04:11:28Z) - Self-Supervised Representation Learning: Introduction, Advances and
Challenges [125.38214493654534]
自己教師付き表現学習手法は、大きな注釈付きデータセットを必要とせずに強力な機能学習を提供することを目的としている。
本稿では、この活気ある領域について、鍵となる概念、アプローチの4つの主要なファミリーと関連する技術の状態、そして、データの多様性に自己監督手法を適用する方法について紹介する。
論文 参考訳(メタデータ) (2021-10-18T13:51:22Z) - Deep Learning Schema-based Event Extraction: Literature Review and
Current Trends [60.29289298349322]
ディープラーニングに基づくイベント抽出技術が研究ホットスポットとなっている。
本稿では,ディープラーニングモデルに焦点をあて,最先端のアプローチを見直し,そのギャップを埋める。
論文 参考訳(メタデータ) (2021-07-05T16:32:45Z) - A Survey on Text Classification: From Shallow to Deep Learning [83.47804123133719]
過去10年は、ディープラーニングが前例のない成功を収めたために、この分野の研究が急増している。
本稿では,1961年から2021年までの最先端のアプローチを見直し,そのギャップを埋める。
特徴抽出と分類に使用されるテキストとモデルに基づいて,テキスト分類のための分類を作成する。
論文 参考訳(メタデータ) (2020-08-02T00:09:03Z)
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。