論文の概要: Deep-Learning-based Counting Methods, Datasets, and Applications in Agriculture -- A Review

• arxiv url: http://arxiv.org/abs/2303.02632v2
• Date: Tue, 9 May 2023 08:29:16 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-10 15:47:11.243512
• 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

• Deep Learning-based Depth Estimation Methods from Monocular Image and Videos: A Comprehensive Survey [31.414360704020254]
  単一のRGB画像とビデオから深度を推定することは、多くの分野で応用されているため、広く関心を集めている。 過去10年間に500以上のディープラーニングベースの論文が出版されている。 入力と出力のモダリティ、ネットワークアーキテクチャ、学習方法に基づいて、現在の作業を分類するための分類を提供する。
  論文  参考訳（メタデータ） (2024-06-28T06:25:21Z)
• Current applications and potential future directions of reinforcement learning-based Digital Twins in agriculture [2.699900017799093]
  本研究は, 農業環境における強化学習を活用した既存の研究を, ロボット工学, 温室管理, 灌水システム, 作物管理などの応用分野によって分類することを目的としている。 また、表式手法、ディープQネットワークワークス(DQN)、ポリシーグラディエント手法、アクタ・クリティカルアルゴリズムなど、使用する強化学習技術も分類する。 このレビューは、Digital Twinsの統合と農業における強化学習の最先端に関する洞察を提供することを目指している。
  論文  参考訳（メタデータ） (2024-06-13T06:38:09Z)
• Deep Learning-Based Object Pose Estimation: A Comprehensive Survey [73.74933379151419]
  ディープラーニングに基づくオブジェクトポーズ推定の最近の進歩について論じる。 また、複数の入力データモダリティ、出力ポーズの自由度、オブジェクト特性、下流タスクについても調査した。
  論文  参考訳（メタデータ） (2024-05-13T14:44:22Z)
• Self-Supervised Backbone Framework for Diverse Agricultural Vision Tasks [0.3683202928838613]
  農業におけるコンピュータビジョンは、農業をデータ駆動で正確で持続可能な産業に変えるために、ゲームを変える。 ディープラーニングは農業のビジョンに力を与えて、膨大な複雑な視覚データを分析するが、大きな注釈付きデータセットの可用性に大きく依存している。 本研究では,ResNet-50のバックボーンを実世界の農地画像の大規模データセット上に事前学習するための,コントラスト学習手法であるSimCLRを用いた軽量フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-22T14:46:51Z)
• 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)
• 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)
• 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。