論文の概要: An Efficient Deep Learning-based approach for Recognizing Agricultural Pests in the Wild

• arxiv url: http://arxiv.org/abs/2310.16991v1
• Date: Wed, 25 Oct 2023 20:42:20 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-27 23:25:15.054981
• Title: An Efficient Deep Learning-based approach for Recognizing Agricultural Pests in the Wild
• Title（参考訳）: 野生における農業害虫認識のための効果的な深層学習手法
• Authors: Mohtasim Hadi Rafi, Mohammad Ratul Mahjabin and Md Sabbir Rahman
• Abstract要約: 農夫が経験した最大の課題の1つは、農作物の収量で害虫と戦うことである。 これは、簡単かつ効果的に昆虫の害虫を識別することを必要とする。 我々は,それぞれに最適な方法を見出すために,様々な方法を検討する広範囲な実験を行った。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: One of the biggest challenges that the farmers go through is to fight insect pests during agricultural product yields. The problem can be solved easily and avoid economic losses by taking timely preventive measures. This requires identifying insect pests in an easy and effective manner. Most of the insect species have similarities between them. Without proper help from the agriculturist academician it is very challenging for the farmers to identify the crop pests accurately. To address this issue we have done extensive experiments considering different methods to find out the best method among all. This paper presents a detailed overview of the experiments done on mainly a robust dataset named IP102 including transfer learning with finetuning, attention mechanism and custom architecture. Some example from another dataset D0 is also shown to show robustness of our experimented techniques.
• Abstract（参考訳）: 農家が経験する最大の課題の1つは、農作物の収量で害虫と戦うことである。 タイムリーな予防措置をとることで、容易に解決でき、経済的な損失を回避できる。 害虫を簡便かつ効果的に識別する必要がある。 ほとんどの昆虫は両者の類似性を持っている。 農学者の助けがなければ、農夫が作物の害虫を正確に特定することは非常に困難である。 この問題に対処するため,我々は,それぞれに最適な方法を見出すために,様々な方法を検討する広範囲な実験を行った。 本稿では,ip102と呼ばれるロバストなデータセットを中心に,微調整による転送学習,注意機構,カスタムアーキテクチャを含む実験の概要について述べる。 別のデータセットD0からのいくつかの例も、実験手法の堅牢性を示している。

関連論文リスト

• Self-supervised transformer-based pre-training method with General Plant Infection dataset [3.969851116372513]
  本研究では、コントラスト学習とマスクド画像モデリング(MIM)を組み合わせた高度なネットワークアーキテクチャを提案する。 提案するネットワークアーキテクチャは,植物害虫や病原体認識タスクに対処し,優れた検出精度を実現する。 私たちのコードとデータセットは、植物害虫の研究と病気の認識を促進するために公開されます。
  論文  参考訳（メタデータ） (2024-07-20T15:48:35Z)
• Artificial Immune System of Secure Face Recognition Against Adversarial Attacks [67.31542713498627]
  昆虫生産には 最大限の可能性を実現するために 最適化が必要です これは選択的育種による興味のある形質の改善が目的である。 このレビューは、様々な分野の知識と、動物の繁殖、定量的遺伝学、進化生物学、昆虫学のギャップを埋めるものである。
  論文  参考訳（メタデータ） (2024-06-26T07:50:58Z)
• Insect Identification in the Wild: The AMI Dataset [35.41544843896443]
  昆虫は世界の生物多様性の半分を占めるが、世界の昆虫の多くは姿を消している。 この危機にもかかわらず、昆虫の多様性と豊かさに関するデータはいまだに不十分である。 昆虫認識のための大規模な機械学習ベンチマークを初めて提供します。
  論文  参考訳（メタデータ） (2024-06-18T09:57:02Z)
• Deep learning powered real-time identification of insects using citizen science data [17.13608307250744]
  InsectNetは、侵入した種を識別し、きめ細かい昆虫種を識別し、挑戦的な背景において効果的に働く。 また、不確実な場合には予測を控え、シームレスな人間の介入を助長し、実用的で信頼できるツールにもなれる。
  論文  参考訳（メタデータ） (2023-06-04T23:56:53Z)
• Empowering Agrifood System with Artificial Intelligence: A Survey of the Progress, Challenges and Opportunities [86.89427012495457]
  我々は、AI技術がアグリフードシステムをどう変え、現代のアグリフード産業に貢献するかをレビューする。 本稿では,農業,畜産,漁業において,アグリフードシステムにおけるAI手法の進歩について概説する。 我々は、AIで現代のアグリフードシステムを変革するための潜在的な課題と有望な研究機会を強調します。
  論文  参考訳（メタデータ） (2023-05-03T05:16:54Z)
• InstructBio: A Large-scale Semi-supervised Learning Paradigm for Biochemical Problems [38.57333125315448]
  InstructMolは、ラベルなし例をうまく活用するための半教師付き学習アルゴリズムである。 InstructBioは分子モデルの一般化能力を大幅に改善する。
  論文  参考訳（メタデータ） (2023-04-08T04:19:22Z)
• Farmer's Assistant: A Machine Learning Based Application for Agricultural Solutions [0.0]
  我々は、これらの問題に対処するため、オープンソースの使いやすいWebアプリケーションを作成し、作物の生産を改善するのに役立ちます。 特に,作物の推薦,肥料の推薦,植物病の予知,対話型ニューズフィードを支持している。
  論文  参考訳（メタデータ） (2022-04-24T19:31:10Z)
• What a million Indian farmers say?: A crowdsourcing-based method for pest surveillance [0.9558392439655014]
  本稿では,スマートフォン上で収集したリアルタイムファーマークエリを利用して害虫監視を行うクラウドソーシング方式を提案する。 本研究では,高時間的粒度の広い地域を包み込むことのできる害虫監視の正確かつ経済的手法であることを示した。
  論文  参考訳（メタデータ） (2021-08-07T06:03:17Z)
• 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)
• Weakly Supervised Learning Guided by Activation Mapping Applied to a Novel Citrus Pest Benchmark [6.239768930024569]
  統合害虫管理(Integrated pest Management)は、シトラス作物の害虫や病気による被害を予防・緩和するために最も広く用いられるプロセスである。 我々は、画像に対する関心領域を自動的に選択するために、サリエンシマップによって導かれる弱教師付き学習プロセスを設計する。 2つの大規模データセットで行った実験から,農業分野における害虫の分類と病気の分類の問題に対して,本研究の結果は非常に有望であることが明らかとなった。
  論文  参考訳（メタデータ） (2020-04-22T01:26:50Z)
• Agriculture-Vision: A Large Aerial Image Database for Agricultural Pattern Analysis [110.30849704592592]
  本稿では,農業パターンのセマンティックセグメンテーションのための大規模空中農地画像データセットであるGarmry-Visionを提案する。 各画像はRGBと近赤外線(NIR)チャンネルで構成され、解像度は1ピクセルあたり10cmである。 農家にとって最も重要な9種類のフィールド異常パターンに注釈を付ける。
  論文  参考訳（メタデータ） (2020-01-05T20:19:33Z)

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。