論文の概要: Trap-Based Pest Counting: Multiscale and Deformable Attention CenterNet
Integrating Internal LR and HR Joint Feature Learning
- arxiv url: http://arxiv.org/abs/2304.02291v1
- Date: Wed, 5 Apr 2023 08:23:17 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-06 13:00:19.447600
- Title: Trap-Based Pest Counting: Multiscale and Deformable Attention CenterNet
Integrating Internal LR and HR Joint Feature Learning
- Title（参考訳）: トラップ型害虫計数:内部LRとHR共同特徴学習を統合したマルチスケールかつ変形可能な注意センターネット
- Authors: Jae-Hyeon Lee, Chang-Hwan Son
- Abstract要約: 本研究では,マルチスケール・デフォルマブル・アテンション・センターネットと呼ばれる新たな害虫カウントモデルを提案する。
提案モデルを用いて,HRヒートマップをより正確に生成し,害虫計数精度を向上させる。
実験結果から,提案モデルは,最先端の群集カウントや物体検出モデルよりも優れていた。
- 参考スコア（独自算出の注目度）: 4.721069729610892
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Pest counting, which predicts the number of pests in the early stage, is very
important because it enables rapid pest control, reduces damage to crops, and
improves productivity. In recent years, light traps have been increasingly used
to lure and photograph pests for pest counting. However, pest images have a
wide range of variability in pest appearance owing to severe occlusion, wide
pose variation, and even scale variation. This makes pest counting more
challenging. To address these issues, this study proposes a new pest counting
model referred to as multiscale and deformable attention CenterNet
(Mada-CenterNet) for internal low-resolution (LR) and high-resolution (HR)
joint feature learning. Compared with the conventional CenterNet, the proposed
Mada-CenterNet adopts a multiscale heatmap generation approach in a two-step
fashion to predict LR and HR heatmaps adaptively learned to scale variations,
that is, changes in the number of pests. In addition, to overcome the pose and
occlusion problems, a new between-hourglass skip connection based on deformable
and multiscale attention is designed to ensure internal LR and HR joint feature
learning and incorporate geometric deformation, thereby resulting in an
improved pest counting accuracy. Through experiments, the proposed
Mada-CenterNet is verified to generate the HR heatmap more accurately and
improve pest counting accuracy owing to multiscale heatmap generation, joint
internal feature learning, and deformable and multiscale attention. In
addition, the proposed model is confirmed to be effective in overcoming severe
occlusions and variations in pose and scale. The experimental results show that
the proposed model outperforms state-of-the-art crowd counting and object
detection models.
- Abstract（参考訳）: 早期の害虫数を予測する害虫数計数は、害虫の迅速な制御を可能にし、作物の被害を軽減し、生産性を向上させるため、非常に重要である。
近年では、害虫計数のために害虫の誘引や写真撮影に光トラップが使われている。
しかし, 害虫画像は, 重度の閉塞, 広範囲なポーズ変動, スケール変動などにより, 害虫の出現の多様性が幅広い。
これにより、害虫の計数が難しくなる。
これらの課題に対処するため,本研究では,内部低分解能(LR)と高分解能(HR)機能学習のためのマルチスケール・デフォルマブルアテンションセンターネット(Mada-CenterNet)と呼ばれる新しい害虫カウントモデルを提案する。
従来のCenterNetと比較して、提案したMada-CenterNetは、LRとHRのヒートマップを適応的に学習し、害虫数の変化をスケールするために、2段階の方法でマルチスケールのヒートマップ生成アプローチを採用する。
また, 姿勢・咬合問題を克服するために, 内部lrとhrのジョイント特徴学習と幾何学的変形を保証し, 害虫計数精度を向上させるために, 変形性および多スケールの注意に基づく時計間スキップ接続を新たに設計した。
提案するmada-centernetは,hrヒートマップをより高精度に生成し,マルチスケールヒートマップ生成,ジョイント内部特徴学習,変形可能かつマルチスケール注意による害虫計数精度を向上させる。
また,本モデルが重度の咬合やポーズやスケールの変化を克服する効果があることを確認した。
実験の結果,提案モデルが最先端の群集数と物体検出モデルを上回ることがわかった。
関連論文リスト
- Locally Grouped and Scale-Guided Attention for Dense Pest Counting [1.9580473532948401]
本研究は,デジタルトラップによって捕獲された密集した害虫を予測するための,新たな密集した害虫計数問題を提案する。
これらの問題に対処するためには、局所的な注意機構を組み込むことが不可欠である。
本研究では,局所的なグループ化とスケール誘導による注意をマルチスケールのCenterNetフレームワークに統合する新しい設計を提案する。
論文 参考訳（メタデータ） (2024-08-29T13:02:01Z) - Open-Set Deepfake Detection: A Parameter-Efficient Adaptation Method with Forgery Style Mixture [58.60915132222421]
本稿では,顔偽造検出に汎用的かつパラメータ効率の高い手法を提案する。
フォージェリー・ソース・ドメインの多様性を増大させるフォージェリー・ミックス・フォーミュレーションを設計する。
設計したモデルは、トレーニング可能なパラメータを著しく減らし、最先端の一般化性を実現する。
論文 参考訳（メタデータ） (2024-08-23T01:53:36Z) - MAP: Low-compute Model Merging with Amortized Pareto Fronts via Quadratic Approximation [80.47072100963017]
Amortized Pareto Front (MAP) を用いた新しい低演算アルゴリズム Model Merging を導入する。
MAPは、複数のモデルをマージするためのスケーリング係数のセットを効率的に識別し、関連するトレードオフを反映する。
また,タスク数が比較的少ないシナリオではベイジアンMAP,タスク数の多い状況ではNested MAPを導入し,計算コストを削減した。
論文 参考訳（メタデータ） (2024-06-11T17:55:25Z) - InsectMamba: Insect Pest Classification with State Space Model [8.470757741028661]
InsectMambaは、ステートスペースモデル(SSM)、畳み込みニューラルネットワーク(CNN)、マルチヘッド自己認識機構(MSA)、マルチレイヤパーセプトロン(MLP)をMix-SSMブロックに統合する新しいアプローチである。
5種類の害虫分類データセットの強い競争相手に対して評価された。
論文 参考訳（メタデータ） (2024-04-04T17:34:21Z) - ECC-PolypDet: Enhanced CenterNet with Contrastive Learning for Automatic
Polyp Detection [88.4359020192429]
既存の手法では、計算コストのかかるコンテキストアグリゲーションが伴うか、ポリープの事前モデリングが欠如しているため、難解なケースでは性能が低下する。
本稿では,2段階のトレーニングとエンドツーエンド推論フレームワークである Enhanced CenterNet with Contrastive Learning (ECC-PolypDet) を提案する。
Box-assisted Contrastive Learning (BCL) は, クラス内差を最小限に抑え, 前庭ポリープと背景のクラス間差を最大化するため, 隠れポリープを捕捉する。
微調整段階におけるIoU誘導サンプル再重み付けの導入
論文 参考訳（メタデータ） (2024-01-10T07:03:41Z) - SugarViT -- Multi-objective Regression of UAV Images with Vision
Transformers and Deep Label Distribution Learning Demonstrated on Disease
Severity Prediction in Sugar Beet [3.2925222641796554]
この研究は、大規模植物固有の特徴アノテーションを自動化するための機械学習フレームワークを導入する。
我々は、SugarViTと呼ばれる重症度評価のための効率的なビジョントランスフォーマーモデルを開発した。
この特殊なユースケースでモデルは評価されるが、様々な画像に基づく分類や回帰タスクにも可能な限り汎用的に適用可能である。
論文 参考訳（メタデータ） (2023-11-06T13:01:17Z) - Improving FHB Screening in Wheat Breeding Using an Efficient Transformer
Model [0.0]
フサリウム・ヘッド・ブライト(Fusarium head blight)は、小さな穀物に毎年重大な経済的損失をもたらす壊滅的な病気である。
FHBの早期検出のために,教師付き機械学習アルゴリズムを用いて画像処理技術を開発した。
変圧器モデルにU-Netネットワークの局所表現機能を統合するために,新しいContext Bridgeを提案する。
論文 参考訳（メタデータ） (2023-08-07T15:44:58Z) - Evaluation of the potential of Near Infrared Hyperspectral Imaging for
monitoring the invasive brown marmorated stink bug [53.682955739083056]
BMSB(Halyomorpha halys)は、数種の作物を害する世界的重要性の害虫である。
本研究は、BMSB検体を検出する技術として、NIR-HSI(Near Infrared Hyperspectral Imaging)を実験室レベルで予備評価する。
論文 参考訳（メタデータ） (2023-01-19T11:37:20Z) - Deep Learning-Based Defect Classification and Detection in SEM Images [1.9206693386750882]
特に、異なるResNet、VGGNetアーキテクチャをバックボーンとして使用するRetinaNetモデルをトレーニングする。
そこで本研究では,異なるモデルからの出力予測を組み合わせることで,欠陥の分類と検出に優れた性能を実現するための選好に基づくアンサンブル戦略を提案する。
論文 参考訳（メタデータ） (2022-06-20T16:34:11Z) - A Model for Multi-View Residual Covariances based on Perspective
Deformation [88.21738020902411]
マルチビューSfM, オードメトリ, SLAMセットアップにおける視覚的残差の共分散モデルの導出を行う。
我々は、合成データと実データを用いてモデルを検証し、それを光度および特徴量に基づくバンドル調整に統合する。
論文 参考訳（メタデータ） (2022-02-01T21:21:56Z) - A Hamiltonian Monte Carlo Method for Probabilistic Adversarial Attack
and Learning [122.49765136434353]
本稿では,HMCAM (Acumulated Momentum) を用いたハミルトニアンモンテカルロ法を提案する。
また, 対数的対数的対数的学習(Contrastive Adversarial Training, CAT)と呼ばれる新たな生成法を提案し, 対数的例の平衡分布にアプローチする。
いくつかの自然画像データセットと実用システムに関する定量的および定性的な解析により、提案アルゴリズムの優位性が確認された。
論文 参考訳（メタデータ） (2020-10-15T16:07:26Z)
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。