論文の概要: Wheat Head Counting by Estimating a Density Map with Convolutional Neural Networks

• arxiv url: http://arxiv.org/abs/2303.10542v1
• Date: Sun, 19 Mar 2023 02:45:53 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-21 18:40:09.005592
• Title: Wheat Head Counting by Estimating a Density Map with 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密度マップ推定による小麦頭数推定
• Authors: Hongyu Guo
• Abstract要約: 小麦は最も重要な作物の1つであり、毎年7億トンもの穀物を生産している。 本研究では,コムギの頭数推定ネットワークを3つ提案し,個々の画像から正確にコムギの頭数を推定する。 WHCNetは、小麦の頭部画像の特徴抽出のフロントエンドである畳み込みニューラルネットワーク(CNN)と、高品質な密度マップを生成するためにバックエンドのスキップ接続を備えたCNNの2つの主要コンポーネントで構成されている。
• 参考スコア（独自算出の注目度）: 15.95772332799123
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Wheat is one of the most significant crop species with an annual worldwide grain production of 700 million tonnes. Assessing the production of wheat spikes can help us measure the grain production. Thus, detecting and characterizing spikes from images of wheat fields is an essential component in a wheat breeding process. In this study, we propose three wheat head counting networks (WHCNet\_1, WHCNet\_2 and WHCNet\_3) to accurately estimate the wheat head count from an individual image and construct high quality density map, which illustrates the distribution of wheat heads in the image. The WHCNets are composed of two major components: a convolutional neural network (CNN) as the front-end for wheat head image feature extraction and a CNN with skip connections for the back-end to generate high-quality density maps. The dataset used in this study is the Global Wheat Head Detection (GWHD) dataset, which is a large, diverse, and well-labelled dataset of wheat images and built by a joint international collaborative effort. We compare our methods with CSRNet, a deep learning method which developed for highly congested scenes understanding and performing accurate count estimation as well as presenting high quality density maps. By taking the advantage of the skip connections between CNN layers, WHCNets integrate features from low CNN layers to high CNN layers, thus, the output density maps have both high spatial resolution and detailed representations of the input images. The experiments showed that our methods outperformed CSRNet in terms of the evaluation metrics, mean absolute error (MAE) and the root mean squared error (RMSE) with smaller model sizes. The code has been deposited on GitHub (\url{https://github.com/hyguozz}).
• Abstract（参考訳）: 小麦は最も重要な作物の1つであり、毎年7億トンの穀物を生産している。 小麦スパイクの生産を評価することは、穀物生産を測定するのに役立つ。 したがって、小麦の育種過程において、小麦畑の画像からスパイクを検出し特徴付けることが必須成分である。 本研究では,コムギ頭数を個々の画像から正確に推定する3つのコムギ頭数計数ネットワーク (whcnet\_1, whcnet\_2, whcnet\_3) を提案し,画像中のコムギ頭数分布を示す高品質密度マップを構築する。 WHCNetは、小麦の頭部画像の特徴抽出のフロントエンドである畳み込みニューラルネットワーク(CNN)と、高品質な密度マップを生成するためにバックエンドのスキップ接続を備えたCNNの2つの主要コンポーネントで構成されている。 本研究で使用されるデータセットはglobal wheat head detection(gwhd)データセットであり、コムギ画像の大規模で多様で十分にラベルが付けられたデータセットであり、共同国際協力によって構築されている。 我々は,高度に混雑したシーンの理解と正確なカウント推定を行うとともに,高品質な密度マップを提示する深層学習手法であるCSRNetと比較した。 CNN層間のスキップ接続を利用して、WHCNetは低CNN層から高CNN層への機能を統合し、出力密度マップは高空間分解能と入力画像の詳細な表現の両方を有する。 実験の結果,提案手法はモデルサイズが小さい平均絶対誤差 (MAE) とルート平均二乗誤差 (RMSE) でCSRNetより優れていた。 コードはGitHubに保管されている(\url{https://github.com/hyguozz})。

関連論文リスト

• Behind the Scenes: Density Fields for Single View Reconstruction [63.40484647325238]
  単一の画像から有意義な幾何学的シーン表現を推定することは、コンピュータビジョンの根本的な問題である。 本稿では,入力画像のフラストラム内のすべての位置を体積密度にマッピングする。 提案手法は,入力画像に隠された領域に対して有意な幾何を予測できることを示す。
  論文  参考訳（メタデータ） (2023-01-18T17:24:01Z)
• Redesigning Multi-Scale Neural Network for Crowd Counting [68.674652984003]
  本稿では, 集団カウントのための多スケール密度マップを階層的にマージする, 密度専門家の階層的混合を導入する。 階層構造の中では、すべてのスケールからの貢献を促進するために、専門家の競争とコラボレーションのスキームが提示されます。 実験の結果,提案手法は5つの公開データセット上での最先端性能を実現することがわかった。
  論文  参考訳（メタデータ） (2022-08-04T21:49:29Z)
• Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
  本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-19T10:41:09Z)
• Learning Neural Light Fields with Ray-Space Embedding Networks [51.88457861982689]
  我々は、コンパクトで、光線に沿った統合放射率を直接予測する新しいニューラル光場表現を提案する。 提案手法は,Stanford Light Field データセットのような,高密度の前方向きデータセットの最先端品質を実現する。
  論文  参考訳（メタデータ） (2021-12-02T18:59:51Z)
• Two-dimensional Deep Regression for Early Yield Prediction of Winter Wheat [0.0]
  我々は、レーダー衛星画像と地上情報を組み合わせたデータに基づいて訓練された畳み込みニューラルネットワーク(CNN)を用いて、収量予測問題に取り組む。 我々は、Sentinel-1衛星から取得したレーダーデータを使用し、地上データは6つの特徴に対応する。 提案手法は,5つの比較手法よりも優れた結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-11-15T20:40:15Z)
• Superpixels and Graph Convolutional Neural Networks for Efficient Detection of Nutrient Deficiency Stress from Aerial Imagery [3.6843744304889183]
  リモートセンシングデータから栄養不足地域を特定し、注意が必要な地域へ農家に警告します。 ノードベースの分類を行うために,より軽量なグラフベースの手法を提案する。 このモデルは、cnnモデルよりも4桁少ないパラメータを持ち、数分で列車が走る。
  論文  参考訳（メタデータ） (2021-04-20T21:18:16Z)
• WheatNet: A Lightweight Convolutional Neural Network for High-throughput Image-based Wheat Head Detection and Counting [12.735055892742647]
  本研究では,小麦頭数を正確にかつ効率的に計算し,意思決定のためのリアルタイムデータ収集を支援する新しいディープラーニングフレームワークを提案する。 モデルコムギ網とよばれ,小麦畑の幅広い環境条件において,我々のアプローチが頑健かつ正確であることを実証する。 提案手法は, 小麦頭部計数タスクにおけるMAEとRMSEの3.85と5.19をそれぞれ達成し, 他の最先端手法に比べてパラメータが有意に少ない。
  論文  参考訳（メタデータ） (2021-03-17T02:38:58Z)
• PLADE-Net: Towards Pixel-Level Accuracy for Self-Supervised Single-View Depth Estimation with Neural Positional Encoding and Distilled Matting Loss [49.66736599668501]
  PLADE-Netと呼ばれる自己監視型単視点画素レベルの高精度深度推定ネットワークを提案する。 提案手法は,KITTIデータセットの$delta1$測定値の95%を超え,前例のない精度を示す。
  論文  参考訳（メタデータ） (2021-03-12T15:54:46Z)
• 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)
• Shallow Feature Based Dense Attention Network for Crowd Counting [103.67446852449551]
  静止画像から群衆を数えるためのShallow機能に基づくDense Attention Network (SDANet)を提案する。 提案手法は,SDANetの11.9%の平均絶対誤差(MAE)低下から明らかなように,既存の手法よりも大きなマージンで優れている。
  論文  参考訳（メタデータ） (2020-06-17T13:34:42Z)
• Global Wheat Head Detection (GWHD) dataset: a large and diverse dataset of high resolution RGB labelled images to develop and benchmark wheat head detection methods [0.0]
  いくつかの研究は、高解像度RGB画像から小麦頭部を検出する方法を開発した。 観察条件における可変性、遺伝子型の違い、発達段階、頭向きはコンピュータビジョンにおける課題を表している。 我々はGWHD(Global Wheat Head Detection)データセットという,大規模で多種多様で多彩なデータセットを構築しました。 4700枚の高解像度のRGB画像と、世界中の複数の国から収集された190,000個のラベル付き小麦頭が含まれている。
  論文  参考訳（メタデータ） (2020-04-25T14:20:26Z)

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。