論文の概要: Hierarchical Mask2Former: Panoptic Segmentation of Crops, Weeds and Leaves

• arxiv url: http://arxiv.org/abs/2310.06582v1
• Date: Tue, 10 Oct 2023 12:47:31 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-11 15:25:28.865572
• Title: Hierarchical Mask2Former: Panoptic Segmentation of Crops, Weeds and Leaves
• Title（参考訳）: 階層型mask2former:作物,雑草,葉のパンオプティカルセグメンテーション
• Authors: Madeleine Darbyshire, Elizabeth Sklar, Simon Parsons
• Abstract要約: 本研究では,植物生育の指標を同定し,画像中の雑草を同定する階層的パノプティックセグメンテーション法を提案する。 我々は、作物、雑草、葉のマスクを予測するために、パン光学セグメンテーションのための最先端アーキテクチャであるMask2Formerを適用した。 よりコンパクトなアーキテクチャでは、推論は最大60%速くなり、PQdagの削減は1%以下になります。
• 参考スコア（独自算出の注目度）: 0.41129099372031175
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Advancements in machine vision that enable detailed inferences to be made from images have the potential to transform many sectors including agriculture. Precision agriculture, where data analysis enables interventions to be precisely targeted, has many possible applications. Precision spraying, for example, can limit the application of herbicide only to weeds, or limit the application of fertiliser only to undernourished crops, instead of spraying the entire field. The approach promises to maximise yields, whilst minimising resource use and harms to the surrounding environment. To this end, we propose a hierarchical panoptic segmentation method to simultaneously identify indicators of plant growth and locate weeds within an image. We adapt Mask2Former, a state-of-the-art architecture for panoptic segmentation, to predict crop, weed and leaf masks. We achieve a PQ{\dag} of 75.99. Additionally, we explore approaches to make the architecture more compact and therefore more suitable for time and compute constrained applications. With our more compact architecture, inference is up to 60% faster and the reduction in PQ{\dag} is less than 1%.
• Abstract（参考訳）: 画像から詳細な推論を可能にするマシンビジョンの進歩は、農業を含む多くの分野を変革する可能性がある。 データ分析が介入を正確にターゲットにできる精密農業には、多くの応用がある。 例えば、精密散布は雑草に対する除草剤の施用を制限することができるし、畑全体に散布するのではなく、不栄養な作物にのみ施すことができる。 このアプローチは収穫量を最大化し、資源使用を最小化し、周囲の環境に害を与える。 そこで本研究では,植物成長の指標を同時に同定し,雑草を画像内に配置する階層的パノプティックセグメンテーション手法を提案する。 mask2formerはパンオプティカルセグメンテーションのための最先端のアーキテクチャで、作物、雑草、葉のマスクを予測する。 PQ{\dag} は 75.99 である。 さらに、アーキテクチャをよりコンパクトにするため、時間や制約のあるアプリケーションに適合するアプローチについても検討する。 よりコンパクトなアーキテクチャでは、推論は最大60%高速で、PQ{\dag} の減少は1%未満である。

関連論文リスト

• Generating Diverse Agricultural Data for Vision-Based Farming Applications [74.79409721178489]
  このモデルは, 植物の成長段階, 土壌条件の多様性, 照明条件の異なるランダム化フィールド配置をシミュレートすることができる。 我々のデータセットにはセマンティックラベル付き12,000の画像が含まれており、精密農業におけるコンピュータビジョンタスクの包括的なリソースを提供する。
  論文  参考訳（メタデータ） (2024-03-27T08:42:47Z)
• HarvestNet: A Dataset for Detecting Smallholder Farming Activity Using Harvest Piles and Remote Sensing [50.4506590177605]
  HarvestNetは、2020-2023年のエチオピアのティグレイとアムハラの農場の存在をマッピングするためのデータセットである。 本研究は,多くの小作システムの特徴ある収穫杭の検出に基づく新しい手法を提案する。 本研究は, 農作物のリモートセンシングが, 食品の安全地帯において, よりタイムリーかつ正確な農地評価に寄与することが示唆された。
  論文  参考訳（メタデータ） (2023-08-23T11:03:28Z)
• Domain Generalization for Crop Segmentation with Standardized Ensemble Knowledge Distillation [42.39035033967183]
  サービスロボットは、周囲を理解し、野生のターゲットを識別するリアルタイム認識システムが必要です。 しかし、既存の方法はしばしば、新しい作物や環境条件への一般化において不足している。 本稿では,知識蒸留を用いた領域一般化手法を提案する。
  論文  参考訳（メタデータ） (2023-04-03T14:28:29Z)
• Agave crop segmentation and maturity classification with deep learning data-centric strategies using very high-resolution satellite imagery [101.18253437732933]
  超高解像度衛星画像を用いたAgave tequilana Weber azul crop segmentation and mature classificationを提案する。 実世界の深層学習問題を,作物の選別という非常に具体的な文脈で解決する。 結果として得られた正確なモデルにより、大規模地域で生産予測を行うことができる。
  論文  参考訳（メタデータ） (2023-03-21T03:15:29Z)
• 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)
• Hierarchical Approach for Joint Semantic, Plant Instance, and Leaf Instance Segmentation in the Agricultural Domain [29.647846446064992]
  植物表現型は、植物の成長段階、発達、その他の関連する量を記述するため、農業において中心的な課題である。 本稿では,RGBデータから作物の連接意味,植物インスタンス,葉のインスタンスセグメンテーションの問題に対処する。 本稿では,3つのタスクを同時に処理する単一畳み込みニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2022-10-14T15:01:08Z)
• 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)
• Deep-CNN based Robotic Multi-Class Under-Canopy Weed Control in Precision Farming [2.6085535710135654]
  リアルタイム多クラス雑草識別は雑草の種特異的な処理を可能にし、除草剤の使用量を著しく減少させる。 本稿では,5つのベンチマークCNNモデルを用いた分類性能のベースラインを提案する。 我々はMobileNetV2を、リアルタイム雑草検出のためのコンパクトな自律ロボットTextitSAMBotにデプロイする。
  論文  参考訳（メタデータ） (2021-12-28T03:51:55Z)
• 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)
• Weed Density and Distribution Estimation for Precision Agriculture using Semi-Supervised Learning [0.0]
  雑草密度と分布のロバストな推定のための深層学習に基づく半教師付き手法を提案する。 本研究では、作物や雑草を含む前景の植生画素を、畳み込みニューラルネットワーク(CNN)に基づく教師なしセグメンテーションを用いて最初に同定する。 雑草感染地域は、細調整されたCNNを用いて識別され、手作りの特徴を設計する必要がなくなる。
  論文  参考訳（メタデータ） (2020-11-04T09:35:53Z)
• 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)

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。