論文の概要: Crop identification using deep learning on LUCAS crop cover photos
- arxiv url: http://arxiv.org/abs/2305.04994v1
- Date: Mon, 8 May 2023 19:03:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-10 14:42:36.224294
- Title: Crop identification using deep learning on LUCAS crop cover photos
- Title(参考訳): LUCAS写真を用いた深層学習による作物の識別
- Authors: Momchil Yordanov, Raphael d'Andrimont, Laura Martinez-Sanchez, Guido
Lemoine, Dominique Fasbender, Marijn van der Velde
- Abstract要約: 本稿は、EU全体で12の成熟した主要作物を対象に、LUCAS Coverのサブセットを選択して公開する。
地理的にタグ付けされた写真に作物を自動的に識別するの有用性は、EUの共通農業政策の文脈で説明されている。
最高のパフォーマンスモデルは、8,642枚の不均衡なテストデータセットで0.75のマクロF1(M-F1)を達成した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Crop classification via deep learning on ground imagery can deliver timely
and accurate crop-specific information to various stakeholders. Dedicated
ground-based image acquisition exercises can help to collect data in data
scarce regions, improve control on timing of collection, or when study areas
are to small to monitor via satellite. Automatic labelling is essential when
collecting large volumes of data. One such data collection is the EU's Land Use
Cover Area frame Survey (LUCAS), and in particular, the recently published
LUCAS Cover photos database. The aim of this paper is to select and publish a
subset of LUCAS Cover photos for 12 mature major crops across the EU, to
deploy, benchmark, and identify the best configuration of Mobile-net for the
classification task, to showcase the possibility of using entropy-based metrics
for post-processing of results, and finally to show the applications and
limitations of the model in a practical and policy relevant context. In
particular, the usefulness of automatically identifying crops on geo-tagged
photos is illustrated in the context of the EU's Common Agricultural Policy.
The work has produced a dataset of 169,460 images of mature crops for the 12
classes, out of which 15,876 were manually selected as representing a clean
sample without any foreign objects or unfavorable conditions. The best
performing model achieved a Macro F1 (M-F1) of 0.75 on an imbalanced test
dataset of 8,642 photos. Using metrics from information theory, namely - the
Equivalence Reference Probability, resulted in achieving an increase of 6%. The
most unfavorable conditions for taking such images, across all crop classes,
were found to be too early or late in the season. The proposed methodology
shows the possibility for using minimal auxiliary data, outside the images
themselves, in order to achieve a M-F1 of 0.817 for labelling between 12 major
European crops.
- Abstract(参考訳): 地上画像の深層学習による作物分類は、様々な利害関係者にタイムリーで正確な作物情報を提供することができる。
専用地上画像取得訓練は、データ不足領域のデータ収集、収集タイミングの制御の改善、または研究領域が衛星による監視に小さい場合に役立つ。
大量のデータを集めるには自動ラベリングが不可欠である。
そのようなデータ収集の1つはEUの土地利用カバーエリアフレームサーベイ(LUCAS)であり、特に最近公開されたLUCASカバー写真データベースである。
本研究の目的は,EUの12大作物を対象に,LUCASのサブセットを選択して公開し,分類タスクにおけるMobile-netの最適構成をデプロイし,ベンチマークし,特定し,結果の後処理にエントロピーベースのメトリクスを使用する可能性を示し,最終的に実用的かつ政策的な文脈でモデルの応用と限界を示すことである。
特に、地理的タグ付き写真上で自動的に作物を識別するの有用性は、euの共通農業政策の文脈で示されている。
この研究は、12階級の熟成作物の169,460枚の画像のデータセットを作成し、そのうち15,876点が、異物や好ましくない条件のないクリーンサンプルとして手動で選択された。
最高のパフォーマンスモデルは、8,642枚の不均衡なテストデータセットで0.75のマクロF1(M-F1)を達成した。
等価参照確率(Equivalence Reference Probability)という情報理論のメトリクスを使用することで、6%の増加を実現した。
これらの画像撮影の最も好ましくない条件は、すべての作物のクラスで、季節の早すぎるか遅すぎることが判明した。
提案手法は,12種類のヨーロッパ作物をラベル付けするための0.817のM-F1を達成するために,画像の外部で最小の補助データを使用する可能性を示す。
関連論文リスト
- Aphid Cluster Recognition and Detection in the Wild Using Deep Learning
Models [17.65292847038642]
アフィドの寄生は作物生産、農村社会、世界の食料安全保障に重大な脅威をもたらす。
本稿では,アフィドクラスタの検出にディープラーニングモデルを用いることに主眼を置いている。
そこで本研究では,アフィドクラスターの検出により感染レベルを推定する手法を提案する。
論文 参考訳(メタデータ) (2023-08-10T23:53:07Z) - The Canadian Cropland Dataset: A New Land Cover Dataset for
Multitemporal Deep Learning Classification in Agriculture [0.8602553195689513]
カナディアン・クロップ・インベントリー (Canadian Annual Crop Inventory) から回収されたラベルで濃縮されたカナダの作物の時間的パッチベースのデータセット。
このデータセットは、4年間にわたって収集された10種類の作物から,78,536個の高解像度空間像を手作業で検証した。
ベンチマークとして,単一画像(ResNet,DenseNet,EfficientNet)や画像列(LRCN,3D-CNN)を同一位置から予測可能なモデルとソースコードを提供する。
論文 参考訳(メタデータ) (2023-05-31T18:40:15Z) - Boosting Crop Classification by Hierarchically Fusing Satellite,
Rotational, and Contextual Data [0.0]
本研究では,複数年にわたる精度向上とロバスト性向上のためのモデルにマルチモーダル情報を融合する新しい手法を提案する。
このアプローチを評価するため、フランスとオランダで740万の農業パーセルの注釈付きデータセットを新たにリリースしました。
論文 参考訳(メタデータ) (2023-05-19T21:42:53Z) - Agave crop segmentation and maturity classification with deep learning
data-centric strategies using very high-resolution satellite imagery [101.18253437732933]
超高解像度衛星画像を用いたAgave tequilana Weber azul crop segmentation and mature classificationを提案する。
実世界の深層学習問題を,作物の選別という非常に具体的な文脈で解決する。
結果として得られた正確なモデルにより、大規模地域で生産予測を行うことができる。
論文 参考訳(メタデータ) (2023-03-21T03:15:29Z) - Towards Effective Image Manipulation Detection with Proposal Contrastive
Learning [61.5469708038966]
本稿では,効果的な画像操作検出のためのコントラスト学習(PCL)を提案する。
我々のPCLは、RGBとノイズビューから2種類のグローバル特徴を抽出し、2ストリームアーキテクチャで構成されている。
我々のPCLは、実際にラベル付けされていないデータに容易に適用でき、手作業によるラベル付けコストを削減し、より一般化可能な機能を促進することができる。
論文 参考訳(メタデータ) (2022-10-16T13:30:13Z) - Multimodal Crop Type Classification Fusing Multi-Spectral Satellite Time
Series with Farmers Crop Rotations and Local Crop Distribution [0.0]
本稿では,3つのデータ型を用いた土地利用と作物型分類課題に取り組むことを提案する。
28級(.948)の5.1ポイント、9.6ポイントのマイクロF1の10級(.887)の精度。
論文 参考訳(メタデータ) (2022-08-23T09:41:09Z) - End-to-end deep learning for directly estimating grape yield from
ground-based imagery [53.086864957064876]
本研究は, ブドウ畑の収量推定に深層学習と併用した近位画像の応用を実証する。
オブジェクト検出、CNN回帰、トランスフォーマーモデルという3つのモデルアーキテクチャがテストされた。
本研究は,ブドウの収量予測における近位画像と深層学習の適用性を示した。
論文 参考訳(メタデータ) (2022-08-04T01:34:46Z) - Monitoring crop phenology with street-level imagery using computer
vision [0.0]
コンピュータビジョンを用いて,道路画像から作物の種類や表現的情報を収集・抽出する枠組みを提案する。
2018年の成長期には、オランダのフレヴォラント州で、横向きのアクションカメラで高解像度の写真が撮影された。
論文 参考訳(メタデータ) (2021-12-16T20:36:45Z) - Potato Crop Stress Identification in Aerial Images using Deep
Learning-based Object Detection [60.83360138070649]
本稿では, 深層ニューラルネットワークを用いたジャガイモの空中画像解析手法を提案する。
主な目的は、植物レベルでの健康作物とストレス作物の自動空間認識を実証することである。
実験により、フィールド画像中の健康植物とストレス植物を識別し、平均Dice係数0.74を達成できることを示した。
論文 参考訳(メタデータ) (2021-06-14T21:57:40Z) - Semi-Supervised Semantic Segmentation in Earth Observation: The
MiniFrance Suite, Dataset Analysis and Multi-task Network Study [82.02173199363571]
我々は,地球観測における半教師付きセマンティックセマンティックセグメンテーションのための新しい大規模データセット,MiniFranceスイートを紹介した。
MiniFranceにはいくつかの前例のない特性があり、2000以上の超高解像度の空中画像を含み、200億枚以上のサンプル(ピクセル)を処理している。
外観の類似性やMiniFranceデータの徹底的な研究からデータ代表性分析のためのツールを提案し,半教師付き環境での学習や一般化に適していることを示す。
論文 参考訳(メタデータ) (2020-10-15T15:36:58Z) - Pollen13K: A Large Scale Microscope Pollen Grain Image Dataset [63.05335933454068]
この研究は、1万3千以上の天体を含む最初の大規模花粉画像データセットを提示する。
本稿では, エアロバイオロジカルサンプリング, 顕微鏡画像取得, 物体検出, セグメンテーション, ラベル付けなど, 採用データ取得のステップに注目した。
論文 参考訳(メタデータ) (2020-07-09T10:33:31Z)
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。