論文の概要: Automatic counting of planting microsites via local visual detection and
global count estimation
- arxiv url: http://arxiv.org/abs/2311.00796v1
- Date: Wed, 1 Nov 2023 19:31:54 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-03 15:54:37.910944
- Title: Automatic counting of planting microsites via local visual detection and
global count estimation
- Title(参考訳): 局所視覚検出とグローバルカウント推定による植栽微生物の自動計数
- Authors: Ahmed Zgaren, Wassim Bouachir, Nizar Bouguila
- Abstract要約: 林業では、植林作業に先立って、マウンディングによる機械的部位の整備が広く用いられている。
プランニング作業における主な問題は、プランニングブロックに存在するマウンドの数を見積もることの難しさである。
近年のUAV画像と人工知能の進歩に触発されて,植林ブロックのマウンド数を推定する完全に自動化された枠組みを提案する。
- 参考スコア(独自算出の注目度): 21.570524485954635
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: In forest industry, mechanical site preparation by mounding is widely used
prior to planting operations. One of the main problems when planning planting
operations is the difficulty in estimating the number of mounds present on a
planting block, as their number may greatly vary depending on site
characteristics. This estimation is often carried out through field surveys by
several forestry workers. However, this procedure is prone to error and
slowness. Motivated by recent advances in UAV imagery and artificial
intelligence, we propose a fully automated framework to estimate the number of
mounds on a planting block. Using computer vision and machine learning, we
formulate the counting task as a supervised learning problem using two
prediction models. A local detection model is firstly used to detect visible
mounds based on deep features, while a global prediction function is
subsequently applied to provide a final estimation based on block-level
features. To evaluate the proposed method, we constructed a challenging UAV
dataset representing several plantation blocks with different characteristics.
The performed experiments demonstrated the robustness of the proposed method,
which outperforms manual methods in precision, while significantly reducing
time and cost.
- Abstract(参考訳): 林業では、植林作業に先立ってマウンディングによる機械的部位の整備が広く用いられている。
植林作業計画における主な問題の一つは、敷地特性によって大きく異なるため、植林ブロック上に存在するマウンド数の推定が困難である。
この推定は、いくつかの森林労働者による調査を通じて行われることが多い。
しかし、この手順はエラーや遅くなる傾向がある。
近年のuav画像と人工知能の進歩に動機づけられ,植林ブロック上のマウンド数を推定するための完全自動化フレームワークを提案する。
コンピュータビジョンと機械学習を用いて,2つの予測モデルを用いた教師付き学習問題としてカウントタスクを定式化する。
まず,局部検出モデルを用いて深部特徴に基づく可視マウンドの検出を行い,続いてグローバル予測関数を適用し,ブロックレベルの特徴に基づく最終推定を行う。
提案手法を評価するために,異なる特徴を持つ複数のプランテーションブロックを表す挑戦的なUAVデータセットを構築した。
実験により,提案手法のロバスト性を実証し,手作業の精度を向上し,時間とコストを著しく低減した。
関連論文リスト
- OccNeRF: Self-Supervised Multi-Camera Occupancy Prediction with Neural
Radiance Fields [80.35807140179736]
自己監督型マルチカメラ占有率予測のためのOccNeRF法を提案する。
我々は、再構成された占有領域をパラメータ化し、サンプリング戦略を再編成する。
意味的占有予測のために,事前学習した開語彙2Dセグメンテーションモデルの出力をフィルタリングし,プロンプトを洗練するためのいくつかの戦略を設計する。
論文 参考訳(メタデータ) (2023-12-14T18:58:52Z) - PlantPlotGAN: A Physics-Informed Generative Adversarial Network for
Plant Disease Prediction [2.7409168462107347]
リアルな植生指標を持つ合成多スペクトルプロット画像を作成することができる物理インフォームド・ジェネレーティブ・モデルであるPlanetPlotGANを提案する。
その結果, PlantPlotGANから生成された合成画像はFr'echet開始距離に関して最先端の手法よりも優れていた。
論文 参考訳(メタデータ) (2023-10-27T16:56:28Z) - Implicit Occupancy Flow Fields for Perception and Prediction in
Self-Driving [68.95178518732965]
自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。
既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。
これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
論文 参考訳(メタデータ) (2023-08-02T23:39:24Z) - Towards Motion Forecasting with Real-World Perception Inputs: Are
End-to-End Approaches Competitive? [93.10694819127608]
実世界の知覚入力を用いた予測手法の統一評価パイプラインを提案する。
我々の詳細な調査では、キュレートされたデータから知覚ベースのデータへ移行する際の大きなパフォーマンスギャップが明らかになりました。
論文 参考訳(メタデータ) (2023-06-15T17:03:14Z) - DISCount: Counting in Large Image Collections with Detector-Based
Importance Sampling [32.522579550452484]
DISCountは、大規模な画像収集をカウントするための検出器ベースの重要なサンプリングフレームワークである。
これは、不完全な検知器とループ内のヒトスクリーニングを統合して、不偏のカウント推定を生成する。
論文 参考訳(メタデータ) (2023-06-05T18:04:57Z) - Automatic counting of mounds on UAV images: combining instance
segmentation and patch-level correction [15.912811733537668]
無人航空機(UAV)イメージングとコンピュータビジョンの進歩を生かした新しい枠組みを提案する。
我々は,深層学習アルゴリズムに基づく画像認識手法を用いて,画素ベースセグメンテーションによる複数物体検出を行う。
局所的ブロック特性に基づいて最終マウンド数を予測する機械学習推定関数を用いる。
論文 参考訳(メタデータ) (2022-09-06T16:02:38Z) - Unsupervised deep learning techniques for powdery mildew recognition
based on multispectral imaging [63.62764375279861]
本稿では,キュウリ葉の粉状ミドウを自動的に認識する深層学習手法を提案する。
マルチスペクトルイメージングデータに適用した教師なし深層学習技術に焦点をあてる。
本稿では, オートエンコーダアーキテクチャを用いて, 疾患検出のための2つの手法を提案する。
論文 参考訳(メタデータ) (2021-12-20T13:29:13Z) - Early Lane Change Prediction for Automated Driving Systems Using
Multi-Task Attention-based Convolutional Neural Networks [8.60064151720158]
レーンチェンジ(英: Lane Change、LC)は、高速道路の運転において、安全上重要な手段の一つである。
自動走行システムの 安全で快適な運転には 確実な予測が不可欠だ
本稿では,LCの操作可能性と時間-車線変化を同時に推定する新しいマルチタスクモデルを提案する。
論文 参考訳(メタデータ) (2021-09-22T13:59:27Z) - Automatic Plant Cover Estimation with CNNs Automatic Plant Cover
Estimation with Convolutional Neural Networks [8.361945776819528]
畳み込みニューラルネットワーク(CNN)を用いて画像から関連データを自動抽出する手法について検討する。
我々は、平均絶対誤差5.16%のカスタムCNNを用いて、より高解像度の画像分解能で過去のアプローチより優れていることを発見した。
これらの調査に加えて,植物被覆画像の時間的側面に基づく誤差解析も行った。
論文 参考訳(メタデータ) (2021-06-21T14:52:01Z) - Surface Warping Incorporating Machine Learning Assisted Domain
Likelihood Estimation: A New Paradigm in Mine Geology Modelling and
Automation [68.8204255655161]
新たに取得した破砕孔データによって課される地球化学的および空間的制約に基づいて, モデル表面を再構成するバイーシアンワープ法が提案されている。
本稿では,このワーピングフレームワークに機械学習を組み込むことにより,可能性の一般化を図る。
その基礎は、p(g|c) が p(y(c)|g と似た役割を果たすような地質領域の確率のベイズ計算によって構成される。
論文 参考訳(メタデータ) (2021-02-15T10:37:52Z) - Deep Multi-Task Learning for Joint Localization, Perception, and
Prediction [68.50217234419922]
本稿では,ローカライズエラー下の最先端の自律性スタックで発生する問題について検討する。
我々は,認識,予測,局所化を共同で行うシステムの設計を行う。
本アーキテクチャでは,両タスク間の計算を再利用し,効率よくローカライズエラーを修正できる。
論文 参考訳(メタデータ) (2021-01-17T17:20:31Z)
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。