論文の概要: Deep-Learning Framework for Optimal Selection of Soil Sampling Sites
- arxiv url: http://arxiv.org/abs/2309.00974v1
- Date: Sat, 2 Sep 2023 16:19:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-06 23:56:37.787937
- Title: Deep-Learning Framework for Optimal Selection of Soil Sampling Sites
- Title（参考訳）: 土壌サンプリングの最適選択のための深層学習フレームワーク
- Authors: Tan-Hanh Pham, Praneel Acharya, Sravanthi Bachina, Kristopher
Osterloh, Kim-Doang Nguyen
- Abstract要約: この研究は、画像処理におけるディープラーニングの最近の進歩を活用して、フィールドの重要な特性を示す最適な位置を見つける。
本フレームワークは,自己保持機構をバックボーンとするエンコーダデコーダアーキテクチャで構築されている。
このモデルはテストデータセットにおいて、平均精度99.52%、IoU平均インターセクション57.35%、Dice Coefficient平均71.47%という驚くべき結果を得た。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This work leverages the recent advancements of deep learning in image
processing to find optimal locations that present the important characteristics
of a field. The data for training are collected at different fields in local
farms with five features: aspect, flow accumulation, slope, NDVI (normalized
difference vegetation index), and yield. The soil sampling dataset is
challenging because the ground truth is highly imbalanced binary images.
Therefore, we approached the problem with two methods, the first approach
involves utilizing a state-of-the-art model with the convolutional neural
network (CNN) backbone, while the second is to innovate a deep-learning design
grounded in the concepts of transformer and self-attention. Our framework is
constructed with an encoder-decoder architecture with the self-attention
mechanism as the backbone. In the encoder, the self-attention mechanism is the
key feature extractor, which produces feature maps. In the decoder, we
introduce atrous convolution networks to concatenate, fuse the extracted
features, and then export the optimal locations for soil sampling. Currently,
the model has achieved impressive results on the testing dataset, with a mean
accuracy of 99.52%, a mean Intersection over Union (IoU) of 57.35%, and a mean
Dice Coefficient of 71.47%, while the performance metrics of the
state-of-the-art CNN-based model are 66.08%, 3.85%, and 1.98%, respectively.
This indicates that our proposed model outperforms the CNN-based method on the
soil-sampling dataset. To the best of our knowledge, our work is the first to
provide a soil-sampling dataset with multiple attributes and leverage deep
learning techniques to enable the automatic selection of soil-sampling sites.
This work lays a foundation for novel applications of data science and
machine-learning technologies to solve other emerging agricultural problems.
- Abstract（参考訳）: この研究は、画像処理におけるディープラーニングの最近の進歩を活用して、フィールドの重要な特性を示す最適な位置を見つける。
訓練用データは, 地形, 流れの蓄積, 斜面, NDVI (正規化差植生指数), 収率の5つの特徴を持つ地域農場の異なるフィールドで収集される。
土壌サンプリングデータセットは、基底真理が高度に不均衡なバイナリ画像であるため、困難である。
そこで,本研究では,畳み込みニューラルネットワーク(cnn)バックボーンを用いた最先端モデルを活用する手法と,トランスフォーマおよび自己着脱の概念に基づくディープラーニング設計を革新する手法の2つを用いてこの問題にアプローチした。
本フレームワークは,自己保持機構をバックボーンとするエンコーダデコーダアーキテクチャで構築されている。
エンコーダでは、セルフアテンション機構が特徴マップを生成する主要な特徴抽出器である。
デコーダでは,抽出された特徴を結合し,融合し,土壌サンプリングに最適な位置をエクスポートするために,有意な畳み込みネットワークを導入する。
現在、このモデルはテストデータセットにおいて、平均精度99.52%、平均IoU(IoU)57.35%、平均Dice係数71.47%、最先端CNNベースのモデルのパフォーマンス指標はそれぞれ66.08%、3.85%、および1.98%という驚くべき結果を得た。
これは,提案手法が土壌サンプルデータセット上でcnn法よりも優れていることを示す。
我々の知る限り、我々の研究は、複数の属性を持つ土壌サンプリングデータセットを初めて提供し、深層学習技術を活用して土壌サンプリングサイトの自動選択を可能にする。
この研究は、他の新興農業問題を解決するために、データサイエンスと機械学習技術の新たな応用の基礎を築いた。
関連論文リスト
- Global-Local Progressive Integration Network for Blind Image Quality Assessment [6.095342999639137]
視覚変換器(ViT)は、長期依存をモデル化するためのコンピュータビジョンに優れているが、画像品質評価(IQA)には2つの重要な課題に直面している。
本稿では,GlintIQAと呼ばれるIQAのグローバルローカルプログレッシブインテグレーションネットワークを提案し,これらの課題を3つのキーコンポーネントを通して解決する。
論文 参考訳（メタデータ） (2024-08-07T16:34:32Z) - Rock Classification Based on Residual Networks [4.256045122451066]
岩盤分類の問題に対処するために,残差ニューラルネットワークを用いた2つのアプローチを提案する。
ResNet34に基づくカーネルサイズや正規化メソッド,コンポジションを変更することで,テストデータセット上での精度を70.1%向上する。
マルチヘッド・セルフ・アテンションを組み込んだBoTNetのようなバックボーンを使って、モデルの内部残余接続も利用しています。
これにより、モデルのパフォーマンスが向上し、テストデータセットで73.7%の精度が達成される。
論文 参考訳（メタデータ） (2024-02-19T04:45:15Z) - Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。
I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
論文 参考訳（メタデータ） (2023-08-31T05:05:53Z) - Predicting Crop Yield With Machine Learning: An Extensive Analysis Of
Input Modalities And Models On a Field and sub-field Level [24.995959334158986]
我々は,高解像度の収量マップを地中真理データとして使用し,サブフィールドレベルでの作物および機械学習モデルの訓練を行う。
我々は、天気、土壌、DEMデータを含む他の相補的なモダリティを含む入力データの一次モダリティとしてSentinel-2衛星画像を使用する。
提案手法は,グローバルな範囲で利用可能な入力モダリティを用いて,グローバルな拡張性を実現する。
論文 参考訳（メタデータ） (2023-08-17T12:40:38Z) - One-Shot Learning for Periocular Recognition: Exploring the Effect of
Domain Adaptation and Data Bias on Deep Representations [59.17685450892182]
広範に使用されているCNNモデルにおける深部表現の挙動をワンショット近視認識のための極端データ不足下で検討する。
我々は、バイオメトリックデータセットで訓練されたネットワークを数百万の画像で活用し、最先端の結果を改善した。
SIFTのような従来のアルゴリズムは、限られたデータでCNNより優れている。
論文 参考訳（メタデータ） (2023-07-11T09:10:16Z) - DeepDC: Deep Distance Correlation as a Perceptual Image Quality
Evaluator [53.57431705309919]
ImageNet Pre-trained Deep Neural Network (DNN)は、効果的な画像品質評価(IQA)モデルを構築するための顕著な転送性を示す。
我々は,事前学習DNN機能のみに基づく新しいフル参照IQA(FR-IQA)モデルを開発した。
5つの標準IQAデータセット上で,提案した品質モデルの優位性を示すため,包括的実験を行った。
論文 参考訳（メタデータ） (2022-11-09T14:57:27Z) - A Novel Hand Gesture Detection and Recognition system based on
ensemble-based Convolutional Neural Network [3.5665681694253903]
コンピュータビジョンとパターン認識コミュニティでは,手の部分検出が課題となっている。
畳み込みニューラルネットワーク(CNN)アーキテクチャのようなディープラーニングアルゴリズムは、分類タスクにおいて非常に一般的な選択肢となっている。
本稿では,CNNに基づくアプローチのアンサンブルを用いて,予測時の高分散や過度な問題,予測誤差などの問題を克服する。
論文 参考訳（メタデータ） (2022-02-25T06:46:58Z) - Optimization-Based Separations for Neural Networks [57.875347246373956]
本研究では,2層のシグモダルアクティベーションを持つディープ2ニューラルネットワークを用いて,ボールインジケータ関数を効率よく学習できることを示す。
これは最適化に基づく最初の分離結果であり、より強力なアーキテクチャの近似の利点は、実際に確実に現れる。
論文 参考訳（メタデータ） (2021-12-04T18:07:47Z) - Two-dimensional Deep Regression for Early Yield Prediction of Winter
Wheat [0.0]
我々は、レーダー衛星画像と地上情報を組み合わせたデータに基づいて訓練された畳み込みニューラルネットワーク(CNN)を用いて、収量予測問題に取り組む。
我々は、Sentinel-1衛星から取得したレーダーデータを使用し、地上データは6つの特徴に対応する。
提案手法は,5つの比較手法よりも優れた結果が得られることを示す。
論文 参考訳（メタデータ） (2021-11-15T20:40:15Z) - Pre-Trained Models for Heterogeneous Information Networks [57.78194356302626]
異種情報ネットワークの特徴を捉えるための自己教師付き事前学習・微調整フレームワークPF-HINを提案する。
PF-HINは4つのデータセットにおいて、各タスクにおける最先端の代替よりも一貫して、大幅に優れています。
論文 参考訳（メタデータ） (2020-07-07T03:36:28Z) - Diversity inducing Information Bottleneck in Model Ensembles [73.80615604822435]
本稿では,予測の多様性を奨励することで,ニューラルネットワークの効果的なアンサンブルを生成する問題をターゲットにする。
そこで本研究では,潜伏変数の学習における逆損失の多様性を明示的に最適化し,マルチモーダルデータのモデリングに必要な出力予測の多様性を得る。
最も競争力のあるベースラインと比較して、データ分布の変化の下で、分類精度が大幅に向上した。
論文 参考訳（メタデータ） (2020-03-10T03:10:41Z)
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。