論文の概要: Advancing Early Detection of Virus Yellows: Developing a Hybrid Convolutional Neural Network for Automatic Aphid Counting in Sugar Beet Fields

• arxiv url: http://arxiv.org/abs/2308.05257v1
• Date: Wed, 9 Aug 2023 23:36:03 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-11 14:08:24.099011
• Title: Advancing Early Detection of Virus Yellows: Developing a Hybrid Convolutional Neural Network for Automatic Aphid Counting in Sugar Beet Fields
• Title（参考訳）: ウイルスイエローの早期検出の促進:サトウキビ畑における自動アフィド計数のためのハイブリッド畳み込みニューラルネットワークの開発
• Authors: Xumin Gao, Wenxin Xue, Callum Lennox, Mark Stevens, Junfeng Gao
• Abstract要約: アフィドは、サトウキビ畑でウイルスイエローを伝達する効率的なベクターである。 手作業によるアフィドの数え方は、労働集約的で時間を要する。 本稿では,検出ネットワークと密度マップ推定ネットワークを統合したハイブリッド自動アフィドカウントネットワークアーキテクチャを提案する。
• 参考スコア（独自算出の注目度）: 0.6013413676007069
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Aphids are efficient vectors to transmit virus yellows in sugar beet fields. Timely monitoring and control of their populations are thus critical to prevent the large-scale outbreak of virus yellows. However, the manual counting of aphids, which is the most common practice, is labor-intensive and time-consuming. Additionally, two of the biggest challenges in aphid counting are that aphids are small objects and their density distributions are varied in different areas of the field. To address these challenges, we proposed a hybrid automatic aphid counting network architecture which integrates the detection network and the density map estimation network. When the distribution density of aphids is low, it utilizes an improved Yolov5 to count aphids. Conversely, when the distribution density of aphids is high, its witches to CSRNet to count aphids. To the best of our knowledge, this is the first framework integrating the detection network and the density map estimation network for counting tasks. Through comparison experiments of counting aphids, it verified that our proposed approach outperforms all other methods in counting aphids. It achieved the lowest MAE and RMSE values for both the standard and high-density aphid datasets: 2.93 and 4.01 (standard), and 34.19 and 38.66 (high-density), respectively. Moreover, the AP of the improved Yolov5 is 5% higher than that of the original Yolov5. Especially for extremely small aphids and densely distributed aphids, the detection performance of the improved Yolov5 is significantly better than the original Yolov5. This work provides an effective early warning for the virus yellows risk caused by aphids in sugar beet fields, offering protection for sugar beet growth and ensuring sugar beet yield. The datasets and project code are released at: https://github.com/JunfengGaolab/Counting-Aphids.
• Abstract（参考訳）: アブラムシは、サトウキビ畑でウイルスイエローを伝達する効率的なベクターである。 したがって、彼らの集団のタイムリーな監視と制御は、大規模なウイルスイエローの発生を防ぐために不可欠である。 しかしながら、最も一般的な実践であるアフィドのマニュアルカウントは、労働集約的で時間を要する。 さらに、アフィドカウントにおける2つの大きな課題は、アフィドは小さな物体であり、その密度分布はフィールドの異なる領域で異なることである。 これらの課題に対処するため,我々は,検出ネットワークと密度マップ推定ネットワークを統合するハイブリッド自動アフィッド計数ネットワークアーキテクチャを提案した。 アブラムシの分布密度が低い場合には、改良されたyolov5を使用してアブラムシを数える。 逆に、アブラムシの分布密度が高い場合は、その魔女はアブラムシを数えるためにcsrnetに移動する。 私たちの知る限りでは、これはタスクをカウントするための検出ネットワークと密度マップ推定ネットワークを統合する最初のフレームワークです。 比較実験により,提案手法はアフィドをカウントする他の方法よりも優れていることを確認した。 標準の2.93と4.01(標準)、34.19と38.66(高密度)の2つのアフィドデータセットに対して、MAEとRMSEの最低値を達成した。 さらに、改良されたyolov5のapは、元のyolov5よりも5%高い。 特に非常に小型のアブラムシや密集したアブラムシでは、改良されたyolov5の検出性能はオリジナルのyolov5よりもはるかに優れている。 この研究は、サトウキビ畑のアブラムシによって引き起こされるウイルスイエロースリスクに対する効果的な早期警告を提供し、サトウキビの成長に対する保護を提供し、サトウキビの収量を確保する。 データセットとプロジェクトコードは、https://github.com/junfenggaolab/counting-aphidsでリリースされる。

関連論文リスト

• Interactive Image-Based Aphid Counting in Yellow Water Traps under Stirring Actions [5.905721043072562]
  本稿では,対話的発振動作による新しいアフィドカウント法を提案する。 我々は,イエローウォータートラップにおけるアフィドの分布を変化させるために,インタラクティブなかき混ぜを用いている。 また,計数結果の信頼性を評価するために,計数信頼度評価システムを提案する。
  論文  参考訳（メタデータ） (2024-11-15T17:06:50Z)
• A New Dataset and Comparative Study for Aphid Cluster Detection and Segmentation in Sorghum Fields [9.735484847744416]
  アフィドの感染は小麦やソルガムの畑に大きな被害をもたらす主要な原因の1つである。 農家はしばしば、健康と環境に悪影響を及ぼす有害な農薬を非効率に利用する。 我々は,アフィドクラスタの検出とセグメンテーションのための大規模なマルチスケールデータセットを開発した。
  論文  参考訳（メタデータ） (2024-05-07T13:27:58Z)
• DiffAttack: Evasion Attacks Against Diffusion-Based Adversarial Purification [63.65630243675792]
  拡散に基づく浄化防御は拡散モデルを利用して、敵の例の人工摂動を除去する。 近年の研究では、先進的な攻撃でさえ、そのような防御を効果的に破壊できないことが示されている。 拡散型浄化防衛を効果的かつ効率的に行うための統合フレームワークDiffAttackを提案する。
  論文  参考訳（メタデータ） (2023-10-27T15:17:50Z)
• 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)
• On the Real-Time Semantic Segmentation of Aphid Clusters in the Wild [13.402804225093801]
  アフィドの感染は小麦やソルガムの畑に大きな損傷を与え、植物ウイルスを拡散させる。 農夫はしばしば化学殺虫剤を頼りにしており、これは田畑の広い範囲で非効率に適用される。 本稿では,アフィドのクラスタ分割にリアルタイムセマンティックセマンティックセマンティクスモデルを適用することを提案する。
  論文  参考訳（メタデータ） (2023-07-17T19:04:39Z)
• A New Dataset and Comparative Study for Aphid Cluster Detection [17.65292847038642]
  アフィドは作物、農村の家族、そして世界の食料安全保障に対する主要な脅威の1つである。 アフィドの感染を正確に特定し レベルを推定することは 農薬の正確な局所的応用に 不可欠です 我々は,ソリガムフィールドで何百万枚もの画像を撮影し,手動でアフィドを含む5,447枚の画像を選択し,画像中の各アフィドクラスタに注釈を付けた。
  論文  参考訳（メタデータ） (2023-07-12T05:49:21Z)
• A Large-scale Multiple-objective Method for Black-box Attack against Object Detection [70.00150794625053]
  我々は、真正の確率を最小化し、偽正の確率を最大化し、より多くの偽正の物体が新しい真正の有界箱を作らないようにする。 我々は、GARSDCと呼ばれるランダム・サブセット選択とディバイド・アンド・コンカーによる標準的な遺伝的アルゴリズムを拡張し、効率を大幅に改善する。 最先端攻撃法と比較して、GARSDCはmAPでは平均12.0、広範囲な実験ではクエリでは約1000倍減少する。
  論文  参考訳（メタデータ） (2022-09-16T08:36:42Z)
• High performing ensemble of convolutional neural networks for insect pest image detection [124.23179560022761]
  害虫の寄生は作物の被害の主な原因であり、世界中の収入を失った。 我々は異なるトポロジに基づいてCNNのアンサンブルを生成する。 ディープネットワーク最適化のための2つの新しいAdamアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-08-28T00:49:11Z)
• Unsupervised Domain-adaptive Hash for Networks [81.49184987430333]
  ドメイン適応型ハッシュ学習はコンピュータビジョンコミュニティでかなりの成功を収めた。 UDAHと呼ばれるネットワークのための教師なしドメイン適応型ハッシュ学習手法を開発した。
  論文  参考訳（メタデータ） (2021-08-20T12:09:38Z)
• Neural Pruning via Growing Regularization [82.9322109208353]
  プルーニングの2つの中心的な問題:プルーニングのスケジュールと重み付けの重要度だ。 具体的には, ペナルティ要因が増大するL2正規化変種を提案し, 精度が著しく向上することを示した。 提案アルゴリズムは,構造化プルーニングと非構造化プルーニングの両方において,大規模データセットとネットワークの実装が容易かつスケーラブルである。
  論文  参考訳（メタデータ） (2020-12-16T20:16:28Z)
• One-Shot Learning with Triplet Loss for Vegetation Classification Tasks [45.82374977939355]
  三重項損失関数は、ワンショット学習タスクの精度を大幅に向上できる選択肢の1つである。 2015年からは、多くのプロジェクトがシームズネットワークとこの種の損失を顔認識とオブジェクト分類に利用している。
  論文  参考訳（メタデータ） (2020-12-14T10:44:22Z)

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。