論文の概要: Aphid Cluster Recognition and Detection in the Wild Using Deep Learning
Models
- arxiv url: http://arxiv.org/abs/2308.05881v1
- Date: Thu, 10 Aug 2023 23:53:07 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-14 15:23:06.228442
- Title: Aphid Cluster Recognition and Detection in the Wild Using Deep Learning
Models
- Title（参考訳）: 深層学習モデルを用いた野生アブラムシのクラスター認識と検出
- Authors: Tianxiao Zhang, Kaidong Li, Xiangyu Chen, Cuncong Zhong, Bo Luo, Ivan
Grijalva, Brian McCornack, Daniel Flippo, Ajay Sharda, Guanghui Wang
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 17.65292847038642
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Aphid infestation poses a significant threat to crop production, rural
communities, and global food security. While chemical pest control is crucial
for maximizing yields, applying chemicals across entire fields is both
environmentally unsustainable and costly. Hence, precise localization and
management of aphids are essential for targeted pesticide application. The
paper primarily focuses on using deep learning models for detecting aphid
clusters. We propose a novel approach for estimating infection levels by
detecting aphid clusters. To facilitate this research, we have captured a
large-scale dataset from sorghum fields, manually selected 5,447 images
containing aphids, and annotated each individual aphid cluster within these
images. To facilitate the use of machine learning models, we further process
the images by cropping them into patches, resulting in a labeled dataset
comprising 151,380 image patches. Then, we implemented and compared the
performance of four state-of-the-art object detection models (VFNet, GFLV2,
PAA, and ATSS) on the aphid dataset. Extensive experimental results show that
all models yield stable similar performance in terms of average precision and
recall. We then propose to merge close neighboring clusters and remove tiny
clusters caused by cropping, and the performance is further boosted by around
17%. The study demonstrates the feasibility of automatically detecting and
managing insects using machine learning models. The labeled dataset will be
made openly available to the research community.
- Abstract（参考訳）: 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。
化学害虫防除は収量の最大化に不可欠であるが、化学薬品の適用は環境上持続不可能かつ費用がかかる。
したがって、アブラムシの正確な局在と管理は、標的殺虫剤の用途に必須である。
本論文は主に,アフィドクラスタ検出のためのディープラーニングモデルの利用に焦点を当てている。
本稿では,アブラムシクラスタの検出による感染レベル推定法を提案する。
この研究を容易にするために,sorghumフィールドから大規模データセットをキャプチャし,アブラムシを含む5,447枚の画像を手作業で選択し,それぞれのアブラムシクラスタにアノテートした。
機械学習モデルの使用を容易にするために、イメージをパッチに絞り込んでさらに処理し、151,380の画像パッチからなるラベル付きデータセットを作成する。
次に,aphidデータセット上での4つの最先端オブジェクト検出モデル(vfnet,gflv2,paa,atss)の性能を実装し比較した。
実験結果から,全てのモデルが平均精度とリコールの点で安定に類似した性能が得られることが示された。
次に,近接するクラスタをマージし,クロッピングによる小さなクラスタを除去し,さらに性能を17%向上させる手法を提案する。
本研究は,機械学習モデルを用いた昆虫の自動検出と管理の実現可能性を示す。
ラベル付きデータセットは、研究コミュニティが公開する予定である。
関連論文リスト
- Unlearnable Examples Detection via Iterative Filtering [84.59070204221366]
ディープニューラルネットワークは、データ中毒攻撃に弱いことが証明されている。
混合データセットから有毒なサンプルを検出することは極めて有益であり、困難である。
UE識別のための反復フィルタリング手法を提案する。
論文 参考訳（メタデータ） (2024-08-15T13:26:13Z) - 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) - 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) - Augment and Criticize: Exploring Informative Samples for Semi-Supervised
Monocular 3D Object Detection [64.65563422852568]
我々は、一般的な半教師付きフレームワークを用いて、難解な単分子3次元物体検出問題を改善する。
我々は、ラベルのないデータから豊富な情報的サンプルを探索する、新しい、シンプルで効果的なAugment and Criticize'フレームワークを紹介します。
3DSeMo_DLEと3DSeMo_FLEXと呼ばれる2つの新しい検出器は、KITTIのAP_3D/BEV(Easy)を3.5%以上改善した。
論文 参考訳（メタデータ） (2023-03-20T16:28:15Z) - Generative models-based data labeling for deep networks regression:
application to seed maturity estimation from UAV multispectral images [3.6868861317674524]
種子の成熟度モニタリングは、気候変動とより制限的な慣行による農業における課題の増加である。
従来の手法は、フィールドでの限られたサンプリングと実験室での分析に基づいている。
マルチスペクトルUAV画像を用いたパセリ種子の成熟度推定手法の提案と,自動ラベリングのための新しいアプローチを提案する。
論文 参考訳（メタデータ） (2022-08-09T09:06:51Z) - 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) - A deep convolutional neural network for classification of Aedes
albopictus mosquitoes [1.6758573326215689]
本稿では2つのDeep Convolutional Neural Networksを,分類タスクの自動化のための比較研究に適用する。
移動学習の原理を用いて、Mosquito Alertプロジェクトが提供するデータに基づいて、2つの最先端アーキテクチャを訓練する。
さらに,Grad-CAMアルゴリズムに基づく説明可能なモデルを適用し,分類画像の最も識別性の高い領域を可視化した。
論文 参考訳（メタデータ） (2021-10-29T17:58:32Z) - 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) - 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) - Rectified Meta-Learning from Noisy Labels for Robust Image-based Plant
Disease Diagnosis [64.82680813427054]
植物病は食料安全保障と作物生産に対する主要な脅威の1つである。
1つの一般的なアプローチは、葉画像分類タスクとしてこの問題を変換し、強力な畳み込みニューラルネットワーク(CNN)によって対処できる。
本稿では,正規化メタ学習モジュールを共通CNNパラダイムに組み込んだ新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2020-03-17T09:51:30Z)
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。