論文の概要: AGSPNet: A framework for parcel-scale crop fine-grained semantic change
detection from UAV high-resolution imagery with agricultural geographic scene
constraints
- arxiv url: http://arxiv.org/abs/2401.06252v1
- Date: Thu, 11 Jan 2024 20:47:28 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-15 20:56:12.817034
- Title: AGSPNet: A framework for parcel-scale crop fine-grained semantic change
detection from UAV high-resolution imagery with agricultural geographic scene
constraints
- Title(参考訳): agspnet:農業用地形制約付きuav高分解能画像からのパーセルスケール作物の細粒度意味変化検出のためのフレームワーク
- Authors: Shaochun Li, Yanjun Wang, Hengfan Cai, Lina Deng, Yunhao Lin
- Abstract要約: 本稿では,農業の地理的景観と農業用大規模制約付きSCDフレームワーク(AGSPNet)を提案する。
複雑な地理的景観における作物の複数の意味変化を包含する,農業モニタリング専用のUAV画像SCDデータセット(CSCD)を作成し,導入する。
以上の結果から,AGSPNet の収穫 SCD は,他の深層学習 SCD モデルよりも,量と品質の点で一貫して優れていた。
- 参考スコア(独自算出の注目度): 1.9151076515142376
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Real-time and accurate information on fine-grained changes in crop
cultivation is of great significance for crop growth monitoring, yield
prediction and agricultural structure adjustment. Aiming at the problems of
serious spectral confusion in visible high-resolution unmanned aerial vehicle
(UAV) images of different phases, interference of large complex background and
salt-and-pepper noise by existing semantic change detection (SCD) algorithms,
in order to effectively extract deep image features of crops and meet the
demand of agricultural practical engineering applications, this paper designs
and proposes an agricultural geographic scene and parcel-scale constrained SCD
framework for crops (AGSPNet). AGSPNet framework contains three parts:
agricultural geographic scene (AGS) division module, parcel edge extraction
module and crop SCD module. Meanwhile, we produce and introduce an UAV image
SCD dataset (CSCD) dedicated to agricultural monitoring, encompassing multiple
semantic variation types of crops in complex geographical scene. We conduct
comparative experiments and accuracy evaluations in two test areas of this
dataset, and the results show that the crop SCD results of AGSPNet consistently
outperform other deep learning SCD models in terms of quantity and quality,
with the evaluation metrics F1-score, kappa, OA, and mIoU obtaining
improvements of 0.038, 0.021, 0.011 and 0.062, respectively, on average over
the sub-optimal method. The method proposed in this paper can clearly detect
the fine-grained change information of crop types in complex scenes, which can
provide scientific and technical support for smart agriculture monitoring and
management, food policy formulation and food security assurance.
- Abstract(参考訳): 作物栽培の細粒度変化に関するリアルタイムかつ正確な情報は,作物生育モニタリング,収量予測,農業構造調整において非常に重要である。
Aiming at the problems of serious spectral confusion in visible high-resolution unmanned aerial vehicle (UAV) images of different phases, interference of large complex background and salt-and-pepper noise by existing semantic change detection (SCD) algorithms, in order to effectively extract deep image features of crops and meet the demand of agricultural practical engineering applications, this paper designs and proposes an agricultural geographic scene and parcel-scale constrained SCD framework for crops (AGSPNet).
AGSPNetフレームワークには、農業地理シーン(AGS)分割モジュール、パーセルエッジ抽出モジュール、作物SCDモジュールの3つの部分が含まれている。
一方,複雑な地理的環境下での作物の複数の意味的変動を包含する,農業モニタリング専用のUAV画像SCDデータセット(CSCD)を作成した。
本研究では,本データセットの2つのテスト領域における比較実験と精度評価を行い,agspnetのクロップscd結果が,平均で0.038,0.021,0.011,0.062の改善を得た評価指標f1-score,kappa,oa,miouを用いて,他の深層学習scdモデルに一貫して勝ることを示した。
本稿では, 複雑な環境下での作物の粒度変化情報を明確に検出し, スマート農業のモニタリングと管理, 食料政策の定式化, 食品安全保証の科学的, 技術的支援を提供する。
関連論文リスト
- A comprehensive review of 3D convolutional neural network-based
classification techniques of diseased and defective crops using non-UAV-based
hyperspectral images [0.1338174941551702]
ハイパースペクトルイメージング(HSI)は、物体の構造と組成に関する貴重な情報を提供する非破壊的で接触のない技術である。
スペクトル範囲が広いため、HSIは作物の健康と生産性をモニタリングするためのより効果的なツールとなる。
農業技術におけるこのイメージングツールの出現により、研究者は病気や欠陥のある作物の検出に関する問題をより正確に解決することができる。
論文 参考訳(メタデータ) (2023-06-15T18:02:53Z) - CWD30: A Comprehensive and Holistic Dataset for Crop Weed Recognition in
Precision Agriculture [1.64709990449384]
精密農業における作物雑草認識タスクに適した大規模・多種多様・包括的・階層的データセットであるCWD30データセットを提示する。
CWD30は20種の雑草と10種の高解像度画像を219,770枚以上、様々な成長段階、複数の視角、環境条件を含む。
データセットの階層的な分類は、きめ細かい分類を可能にし、より正確で堅牢で一般化可能なディープラーニングモデルの開発を促進する。
論文 参考訳(メタデータ) (2023-05-17T09:39:01Z) - 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) - Estimaci\'on de \'areas de cultivo mediante Deep Learning y
programaci\'on convencional [0.0]
エクアドルにおけるサトウキビの栽培・収穫において,最も認知度の高い企業の一つとして検討されてきた。
この戦略はGAN(Generative Adversarial Neural Network)と組み合わせて、サトウキビのプロットの航空写真に基づいて訓練し、人口密度や人口密度の低い作物を識別する。
実験では、空中写真の品質が大幅に向上した。
論文 参考訳(メタデータ) (2022-07-25T16:22:55Z) - CalCROP21: A Georeferenced multi-spectral dataset of Satellite Imagery
and Crop Labels [20.951184753721503]
アメリカ農務省(USDA)は毎年、アメリカ全土で30mの解像度で作物のラベルを含むCropland Data Layer(CDL)を発売している。
CalCROP21と呼ばれる新しいセマンティックセグメンテーションベンチマークデータセットを作成し、カリフォルニア州セントラルバレー地域の多種多様な作物を空間分解能10mで作成する。
論文 参考訳(メタデータ) (2021-07-26T22:20:16Z) - AdaZoom: Adaptive Zoom Network for Multi-Scale Object Detection in Large
Scenes [57.969186815591186]
大規模なシーンの検出は、小さなオブジェクトと極端なスケールの変動のために難しい問題である。
本稿では,物体検出のための焦点領域を適応的に拡大するために,フレキシブルな形状と焦点長を有する選択的拡大器として,新しい適応型Zoom(AdaZoom)ネットワークを提案する。
論文 参考訳(メタデータ) (2021-06-19T03:30:22Z) - 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) - Estimating Crop Primary Productivity with Sentinel-2 and Landsat 8 using
Machine Learning Methods Trained with Radiative Transfer Simulations [58.17039841385472]
我々は,機械モデリングと衛星データ利用の並列化を活用し,作物生産性の高度モニタリングを行う。
本モデルでは, 地域情報を使用しなくても, 各種C3作物の種類, 環境条件の総合的生産性を推定することに成功した。
これは、現在の地球観測クラウドコンピューティングプラットフォームの助けを借りて、新しい衛星センサーから作物の生産性をグローバルにマップする可能性を強調しています。
論文 参考訳(メタデータ) (2020-12-07T16:23:13Z) - Unsupervised Instance Segmentation in Microscopy Images via Panoptic
Domain Adaptation and Task Re-weighting [86.33696045574692]
病理組織像における教師なし核分割のためのCycle Consistency Panoptic Domain Adaptive Mask R-CNN(CyC-PDAM)アーキテクチャを提案する。
まず,合成画像中の補助的な生成物を除去するための核塗布機構を提案する。
第二に、ドメイン識別器を持つセマンティックブランチは、パンプトレベルのドメイン適応を実現するように設計されている。
論文 参考訳(メタデータ) (2020-05-05T11:08:26Z) - UAV and Machine Learning Based Refinement of a Satellite-Driven
Vegetation Index for Precision Agriculture [0.8399688944263843]
本稿では,深層学習技術に基づく新しい衛星画像補正フレームワークを提案する。
無人航空機(UAV)が取得した高解像度画像から得られる情報を適切に活用する。
セラルンガ・ダルバ (Serralunga d'Alba) のブドウ園は、検証のためのケーススタディとして選ばれた。
論文 参考訳(メタデータ) (2020-04-29T18:34:48Z) - 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。