論文の概要: Improving Data Efficiency for Plant Cover Prediction with Label
Interpolation and Monte-Carlo Cropping
- arxiv url: http://arxiv.org/abs/2307.08559v1
- Date: Mon, 17 Jul 2023 15:17:39 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-18 12:36:52.475886
- Title: Improving Data Efficiency for Plant Cover Prediction with Label
Interpolation and Monte-Carlo Cropping
- Title（参考訳）: ラベル補間とモンテカルロクロッピングによるプラントカバー予測のためのデータ効率の向上
- Authors: Matthias K\"orschens, Solveig Franziska Bucher, Christine R\"omermann,
Joachim Denzler
- Abstract要約: 植物群落の組成は環境変化の重要な指標であり、通常生態学的研究で分析される。
本稿では,収集した植生計画時系列のスパースラベルを中間密度・未ラベル画像に補間する手法を提案する。
また,高解像度画像の処理を効率的に行うため,モンテカルロ・クロッピングと呼ばれる新しい手法を導入する。
- 参考スコア（独自算出の注目度）: 7.993547048820065
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The plant community composition is an essential indicator of environmental
changes and is, for this reason, usually analyzed in ecological field studies
in terms of the so-called plant cover. The manual acquisition of this kind of
data is time-consuming, laborious, and prone to human error. Automated camera
systems can collect high-resolution images of the surveyed vegetation plots at
a high frequency. In combination with subsequent algorithmic analysis, it is
possible to objectively extract information on plant community composition
quickly and with little human effort. An automated camera system can easily
collect the large amounts of image data necessary to train a Deep Learning
system for automatic analysis. However, due to the amount of work required to
annotate vegetation images with plant cover data, only few labeled samples are
available. As automated camera systems can collect many pictures without
labels, we introduce an approach to interpolate the sparse labels in the
collected vegetation plot time series down to the intermediate dense and
unlabeled images to artificially increase our training dataset to seven times
its original size. Moreover, we introduce a new method we call Monte-Carlo
Cropping. This approach trains on a collection of cropped parts of the training
images to deal with high-resolution images efficiently, implicitly augment the
training images, and speed up training. We evaluate both approaches on a plant
cover dataset containing images of herbaceous plant communities and find that
our methods lead to improvements in the species, community, and segmentation
metrics investigated.
- Abstract（参考訳）: 植物群落の組成は、環境変化の不可欠な指標であり、そのため、通常、植物被覆という観点から生態学的研究において分析される。
この種のデータの手作業による取得は、時間と労力がかかり、ヒューマンエラーを起こしやすい。
自動カメラシステムは、調査した植生図の高解像度画像を高頻度で収集することができる。
その後のアルゴリズム分析と組み合わせることで、植物群落の組成に関する情報を迅速かつ少ない労力で客観的に抽出することができる。
自動カメラシステムは、ディープラーニングシステムの学習に必要な大量の画像データを容易に収集し、自動解析を行う。
しかし,植物被覆データによる植生画像のアノテートに必要な作業量から,ラベル付きサンプルは少ない。
自動カメラシステムはラベル無しで多数の画像を集めることができるため、収集された植生プロット時系列のスパースラベルを中間密度画像とラベルなし画像まで補間し、トレーニングデータセットを元の7倍まで人工的に拡大する手法を導入する。
さらに,モンテカルロ・クロッピングと呼ばれる新しい手法を導入する。
このアプローチは、トレーニング画像の切り抜き部分の集合を訓練し、高解像度画像を効率的に処理し、トレーニング画像を暗黙的に強化し、トレーニングを高速化する。
草本植物群落の画像を含む植物被覆データセットの両アプローチを評価した結果,本手法が本種,群落,分節化の指標の改善につながることがわかった。
関連論文リスト
- Deep Domain Adaptation: A Sim2Real Neural Approach for Improving Eye-Tracking Systems [80.62854148838359]
眼球画像のセグメンテーションは、最終視線推定に大きな影響を及ぼす眼球追跡の重要なステップである。
対象視線画像と合成訓練データとの重なり合いを測定するために,次元還元法を用いている。
提案手法は,シミュレーションと実世界のデータサンプルの相違に対処する際の頑健で,性能が向上する。
論文 参考訳（メタデータ） (2024-03-23T22:32:06Z) - Inside Out: Transforming Images of Lab-Grown Plants for Machine Learning
Applications in Agriculture [0.0]
我々は,室内の植物像をフィールド画像として解釈するために,コントラッシブ・アンペア変換 (CUT) 生成敵ネットワーク (GAN) を用いる。
我々は,1つの植物のみを含むイメージを翻訳するようにネットワークを訓練する一方で,複数の植物野画像を生成するために容易に拡張可能であることを示す。
また, 人工マルチプラント画像を用いて, いくつかのYoloV5ナノオブジェクト検出モデルを訓練し, 植物検出を行う。
論文 参考訳（メタデータ） (2022-11-05T20:51:45Z) - Semantic Image Segmentation with Deep Learning for Vine Leaf Phenotyping [59.0626764544669]
本研究では,ブドウの葉のイメージを意味的にセグメント化するためにDeep Learning法を用いて,葉の表現型自動検出システムを開発した。
私たちの研究は、成長や開発のような動的な特性を捉え定量化できる植物ライフサイクルのモニタリングに寄与します。
論文 参考訳（メタデータ） (2022-10-24T14:37:09Z) - 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) - Fractional Vegetation Cover Estimation using Hough Lines and Linear
Iterative Clustering [3.1654720243958128]
本稿では,ある地域に存在する植生被覆量を決定するために,新しい画像処理アルゴリズムを提案する。
提案アルゴリズムは,植生被覆推定のための信頼度の高いダウベンミア法からインスピレーションを得ている。
植物の成長に関する重要な洞察を、一定間隔で取得した画像を繰り返すと、その分析が引き起こされる。
論文 参考訳（メタデータ） (2022-04-30T23:33:31Z) - Agricultural Plant Cataloging and Establishment of a Data Framework from
UAV-based Crop Images by Computer Vision [4.0382342610484425]
本稿では,UAVからの収穫画像の時間的・空間的識別と識別を自動化するための手動ワークフローを提案する。
提案手法は農業におけるUAVデータの分析と解釈を大幅に改善する。
論文 参考訳（メタデータ） (2022-01-08T21:14:07Z) - Automatic Plant Cover Estimation with CNNs Automatic Plant Cover
Estimation with Convolutional Neural Networks [8.361945776819528]
畳み込みニューラルネットワーク(CNN)を用いて画像から関連データを自動抽出する手法について検討する。
我々は、平均絶対誤差5.16%のカスタムCNNを用いて、より高解像度の画像分解能で過去のアプローチより優れていることを発見した。
これらの調査に加えて,植物被覆画像の時間的側面に基づく誤差解析も行った。
論文 参考訳（メタデータ） (2021-06-21T14:52:01Z) - 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) - An embedded system for the automated generation of labeled plant images
to enable machine learning applications in agriculture [1.4598479819593448]
十分なトレーニングデータの不足は、マシンラーニング(ML)アプリケーションの開発において、しばしばボトルネックとなる。
植物画像の大規模なデータセットを自動生成・ラベル付けする組込みロボットシステムを開発した。
我々は34,000以上のラベル付き画像のデータセットを作成し、草と草を区別するMLモデルを訓練した。
論文 参考訳（メタデータ） (2020-06-01T20:01:20Z) - Two-View Fine-grained Classification of Plant Species [66.75915278733197]
本研究では,2視点の葉のイメージ表現に基づく新しい手法と,植物種の粒度認識のための階層的分類戦略を提案する。
シームズ畳み込みニューラルネットワークに基づく深度測定は、多数のトレーニングサンプルへの依存を減らし、新しい植物種に拡張性を持たせるために用いられる。
論文 参考訳（メタデータ） (2020-05-18T21:57:47Z) - Automatic image-based identification and biomass estimation of
invertebrates [70.08255822611812]
時間を要する分類と分類は、どれだけの昆虫を処理できるかに強い制限を課す。
我々は、人間の専門家による分類と識別の標準的な手動アプローチを、自動画像ベース技術に置き換えることを提案する。
分類タスクには最先端のResnet-50とInceptionV3 CNNを使用する。
論文 参考訳（メタデータ） (2020-02-05T21:38:57Z)
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。