論文の概要: A Fast Fourier Convolutional Deep Neural Network For Accurate and
Explainable Discrimination Of Wheat Yellow Rust And Nitrogen Deficiency From
Sentinel-2 Time-Series Data
- arxiv url: http://arxiv.org/abs/2306.17207v1
- Date: Thu, 29 Jun 2023 16:23:04 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-03 14:22:05.943470
- Title: A Fast Fourier Convolutional Deep Neural Network For Accurate and
Explainable Discrimination Of Wheat Yellow Rust And Nitrogen Deficiency From
Sentinel-2 Time-Series Data
- Title（参考訳）: センチネル2時系列データによる小麦イノシラストと窒素欠乏の高精度かつ説明可能な識別のための高速フーリエ畳み込みニューラルネットワーク
- Authors: Yue Shi, Liangxiu Han, Pablo Gonz\'alez-Moreno, Darren Dancey,
Wenjiang Huang, Zhiqiang Zhang, Yuanyuan Liu, Mengning Huan, Hong Miao and
Min Dai
- Abstract要約: 同様の症状を呈する2つの植物ストレスの高精度かつ説明可能な検出のための高速フーリエ畳み込みニューラルネットワーク(FFDNN)を提案する。
- 参考スコア（独自算出の注目度）: 6.397482515605552
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Accurate and timely detection of plant stress is essential for yield
protection, allowing better-targeted intervention strategies. Recent advances
in remote sensing and deep learning have shown great potential for rapid
non-invasive detection of plant stress in a fully automated and reproducible
manner. However, the existing models always face several challenges: 1)
computational inefficiency and the misclassifications between the different
stresses with similar symptoms; and 2) the poor interpretability of the
host-stress interaction. In this work, we propose a novel fast Fourier
Convolutional Neural Network (FFDNN) for accurate and explainable detection of
two plant stresses with similar symptoms (i.e. Wheat Yellow Rust And Nitrogen
Deficiency). Specifically, unlike the existing CNN models, the main components
of the proposed model include: 1) a fast Fourier convolutional block, a newly
fast Fourier transformation kernel as the basic perception unit, to substitute
the traditional convolutional kernel to capture both local and global responses
to plant stress in various time-scale and improve computing efficiency with
reduced learning parameters in Fourier domain; 2) Capsule Feature Encoder to
encapsulate the extracted features into a series of vector features to
represent part-to-whole relationship with the hierarchical structure of the
host-stress interactions of the specific stress. In addition, in order to
alleviate over-fitting, a photochemical vegetation indices-based filter is
placed as pre-processing operator to remove the non-photochemical noises from
the input Sentinel-2 time series.
- Abstract（参考訳）: 植物ストレスの正確かつタイムリーな検出は、収量保護に不可欠であり、よりよい介入戦略を可能にする。
近年のリモートセンシングと深層学習の進歩は、植物ストレスの非侵襲的検出を、完全に自動化され再現可能な方法で迅速に行う大きな可能性を示している。
しかし、既存のモデルは常にいくつかの課題に直面している。
1) 同様の症状を有する異なるストレス間の計算能の非効率と誤分類
2) ホスト-ストレス相互作用の解釈性は低かった。
本研究は,イエローラストと窒素欠乏症(Wheat Yellow Rust and Nitrogen Deficiency)の2つの植物ストレスの正確かつ説明可能な検出のための高速フーリエ畳み込みニューラルネットワーク(FFDNN)を提案する。
具体的には、既存のCNNモデルとは異なり、提案モデルの主なコンポーネントは以下のとおりである。
1 高速フーリエ畳み込みブロック、新しい高速フーリエ変換カーネルを基本認識ユニットとし、従来の畳み込みカーネルを代替し、様々な時間スケールで植物ストレスに対する局所的及び大域的応答を捕捉し、フーリエ領域における学習パラメータの削減による計算効率の向上を図る。
2) 抽出された特徴を一連のベクトル特徴にカプセル化するカプセル特徴エンコーダは, 特定の応力のホスト・ストレス相互作用の階層構造との関係を表す。
また、過剰適合を緩和するため、光化学植生指標に基づくフィルタを前処理演算子として、入力されたセンチネル-2時系列から非光化学ノイズを除去する。
関連論文リスト
- Typhoon Intensity Prediction with Vision Transformer [51.84456610977905]
台風強度を正確に予測するために「台風強度変換器(Tint)」を導入する。
Tintは、層ごとにグローバルな受容野を持つ自己認識機構を使用する。
公開されている台風ベンチマークの実験は、Tintの有効性を検証する。
論文 参考訳（メタデータ） (2023-11-28T03:11:33Z) - Diagnostic Spatio-temporal Transformer with Faithful Encoding [54.02712048973161]
本稿では,データ生成プロセスが複合時間(ST)依存性を持つ場合の異常診断の課題について述べる。
我々は、ST依存を時系列分類の副産物として学習する、教師付き依存発見として問題を定式化する。
既存のST変圧器で使用される時間的位置符号化は、高周波数(短時間スケール)の周波数をキャプチャする重大な制限を有することを示す。
また、空間的および時間的方向の両方で容易に消費可能な診断情報を提供する新しいST依存性発見フレームワークを提案する。
論文 参考訳（メタデータ） (2023-05-26T05:31:23Z) - Transform Once: Efficient Operator Learning in Frequency Domain [69.74509540521397]
本研究では、周波数領域の構造を利用して、空間や時間における長距離相関を効率的に学習するために設計されたディープニューラルネットワークについて検討する。
この研究は、単一変換による周波数領域学習のための青写真を導入している。
論文 参考訳（メタデータ） (2022-11-26T01:56:05Z) - Impact of spiking neurons leakages and network recurrences on
event-based spatio-temporal pattern recognition [0.0]
ニューロモルフィックハードウェアとイベントベースのセンサーを組み合わせたスパイクニューラルネットワークは、エッジにおける低レイテンシと低パワー推論への関心が高まっている。
スパイキングニューロンにおけるシナプスおよび膜漏れの影響について検討する。
論文 参考訳（メタデータ） (2022-11-14T21:34:02Z) - Zonotope Domains for Lagrangian Neural Network Verification [102.13346781220383]
我々は、ディープニューラルネットワークを多くの2層ニューラルネットワークの検証に分解する。
我々の手法は線形プログラミングとラグランジアンに基づく検証技術の両方により改善された境界を与える。
論文 参考訳（メタデータ） (2022-10-14T19:31:39Z) - Characterization of anomalous diffusion through convolutional
transformers [0.8984888893275713]
本稿では, 異常拡散のキャラクタリゼーションのためのトランスフォーマーに基づくニューラルネットワークアーキテクチャを提案する。
新たなアーキテクチャであるConvTransformer(ConvTransformer)は、二層畳み込みニューラルネットワークを使用して、拡散軌道から特徴を抽出します。
我々は,ConvTransformerが,短い軌跡において,基礎となる拡散状態を決定する上で,従来の技術よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-10-10T18:53:13Z) - Overcoming the Spectral Bias of Neural Value Approximation [17.546011419043644]
ディープニューラルネットワークを用いた値近似は、アルゴリズムの他の部分に学習信号を提供する主要なモジュールであることが多い。
神経核レグレッションにおける最近の研究は、スペクトルバイアスの存在を示唆している。そこでは、値関数の高周波成分を適合させるには、低周波成分よりも指数関数的に多くの勾配更新ステップが必要である。
我々は、カーネルレグレッションのレンズを通して、非政治強化学習を再検討し、複合神経カーネルを介してそのようなバイアスを克服することを提案する。
論文 参考訳（メタデータ） (2022-06-09T17:59:57Z) - Short Range Correlation Transformer for Occluded Person
Re-Identification [4.339510167603376]
PFTと呼ばれる部分的特徴変換器に基づく人物識別フレームワークを提案する。
提案したPFTは3つのモジュールを用いて視覚変換器の効率を向上する。
包括的および包括的再同定データセットに対する実験結果から,提案したPFTネットワークが一貫した性能を実現することを示す。
論文 参考訳（メタデータ） (2022-01-04T11:12:39Z) - Convolutional generative adversarial imputation networks for
spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。
提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文 参考訳（メタデータ） (2021-11-03T03:50:48Z) - Adaptive Latent Space Tuning for Non-Stationary Distributions [62.997667081978825]
本稿では,ディープエンコーダ・デコーダ方式cnnの低次元潜在空間の適応チューニング法を提案する。
粒子加速器における時間変動荷電粒子ビームの特性を予測するためのアプローチを実証する。
論文 参考訳（メタデータ） (2021-05-08T03:50:45Z)
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。