論文の概要: Enhanced Droplet Analysis Using Generative Adversarial Networks
- arxiv url: http://arxiv.org/abs/2402.15909v1
- Date: Sat, 24 Feb 2024 21:20:53 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-27 16:18:55.495342
- Title: Enhanced Droplet Analysis Using Generative Adversarial Networks
- Title(参考訳): ジェネレーティブ・ディバイサル・ネットワークを用いた液滴解析の高速化
- Authors: Tan-Hanh Pham and Kim-Doang Nguyen
- Abstract要約: 本稿では,GAN(Generative Adversarial Network)を用いて,液滴の人工画像を生成する方法を提案する。
我々の知る限りでは、この研究は初めて、液滴の検出を増強するための生成モデルを用いたものである。
その重要性は、効率的な噴霧システムを構築するためにノズル設計を最適化することだけでなく、様々な精密農業作業において不十分なデータに対する共通の課題に対処することにある。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Precision devices play an important role in enhancing production quality and
productivity in agricultural systems. Therefore, the optimization of these
devices is essential in precision agriculture. Recently, with the advancements
of deep learning, there have been several studies aiming to harness its
capabilities for improving spray system performance. However, the effectiveness
of these methods heavily depends on the size of the training dataset, which is
expensive and time-consuming to collect. To address the challenge of
insufficient training samples, this paper proposes an alternative solution by
generating artificial images of droplets using generative adversarial networks
(GAN). The GAN model is trained by using a small dataset captured by a
high-speed camera and capable of generating images with progressively
increasing resolution. The results demonstrate that the model can generate
high-quality images with the size of $1024\times1024$. Furthermore, this
research leverages recent advancements in computer vision and deep learning to
develop a light droplet detector using the synthetic dataset. As a result, the
detection model achieves a 16.06\% increase in mean average precision (mAP)
when utilizing the synthetic dataset. To the best of our knowledge, this work
stands as the first to employ a generative model for augmenting droplet
detection. Its significance lies not only in optimizing nozzle design for
constructing efficient spray systems but also in addressing the common
challenge of insufficient data in various precision agriculture tasks. This
work offers a critical contribution to conserving resources while striving for
optimal and sustainable agricultural practices.
- Abstract(参考訳): 精密装置は農業システムにおける生産品質と生産性の向上に重要な役割を果たしている。
したがって、これらの機器の最適化は精密農業に不可欠である。
近年, 深層学習の進歩に伴い, 噴霧システムの性能向上に向けたいくつかの研究が行われている。
しかし,これらの手法の有効性は,トレーニングデータセットのサイズに大きく依存する。
トレーニングサンプル不足の課題に対処するために,gan(generative adversarial networks)を用いて液滴の人工画像を生成する方法を提案する。
GANモデルは、高速カメラによってキャプチャされた小さなデータセットを使用して訓練され、徐々に解像度を上げて画像を生成することができる。
その結果、このモデルは1024\times 1024$の高品質な画像を生成することができる。
さらに,近年のコンピュータビジョンとディープラーニングの進歩を活かし,合成データセットを用いた光滴検出器の開発を行った。
その結果、検出モデルは、合成データセットを利用する場合の平均平均精度(mAP)を16.06倍に向上させる。
私たちの知る限りでは、この研究は液滴検出の強化のために生成モデルを採用した最初の例である。
その意義は、効率的な噴霧システムを構築するためのノズル設計の最適化だけでなく、様々な精密農業作業におけるデータ不足の共通の課題に対処することである。
この研究は、最適で持続可能な農業プラクティスを追求しながら、資源の保存に重要な貢献をする。
関連論文リスト
- E$^{2}$GAN: Efficient Training of Efficient GANs for Image-to-Image
Translation [71.7970885247162]
拡散モデルからGANを蒸留するプロセスは、より効率的にできるのか?
まず、一般化された特徴を持つベースGANモデルを構築し、微調整により異なる概念に適応し、スクラッチからトレーニングの必要性を排除した。
第2に,ベースモデル全体の微調整を行うのではなく,低ランク適応(LoRA)を簡易かつ効果的なランク探索プロセスで行う。
論文 参考訳(メタデータ) (2024-01-11T18:59:14Z) - DifAugGAN: A Practical Diffusion-style Data Augmentation for GAN-based
Single Image Super-resolution [88.13972071356422]
本稿では,DifAugGAN として知られる GAN ベースの画像超解像法(SR) のための拡散型データ拡張手法を提案する。
それは、訓練中の判別器の校正を改善するために、生成拡散モデルに拡散過程を適用することを含む。
我々のDifAugGANは、現在のGANベースのSISR手法のプラグ・アンド・プレイ戦略であり、判別器の校正を改善し、SR性能を向上させることができる。
論文 参考訳(メタデータ) (2023-11-30T12:37:53Z) - UAV-Sim: NeRF-based Synthetic Data Generation for UAV-based Perception [62.71374902455154]
ニューラルレンダリングの最近の進歩を利用して、静的および動的ノベルビューUAVベースの画像レンダリングを改善する。
本研究では,主に実データと合成データのハイブリッドセットに基づいて最先端検出モデルが最適化された場合,性能が大幅に向上することを示す。
論文 参考訳(メタデータ) (2023-10-25T00:20:37Z) - A Bayesian Generative Adversarial Network (GAN) to Generate Synthetic
Time-Series Data, Application in Combined Sewer Flow Prediction [3.3139597764446607]
機械学習では、生成モデル(generative model)は、データ分散を学習して人工データを生成する方法のクラスである。
本研究では,限られた時系列データのバランスをとるために,合成時系列を生成するGANモデルを開発した。
本研究の目的は, 降水量データを用いて流れを予測し, モデル性能における合成データを用いたデータ増大の影響を検討することである。
論文 参考訳(メタデータ) (2023-01-31T16:12:26Z) - An Adversarial Active Sampling-based Data Augmentation Framework for
Manufacturable Chip Design [55.62660894625669]
リソグラフィーモデリングは、チップ設計マスクが製造可能であることを保証するため、チップ設計において重要な問題である。
機械学習の最近の進歩は、時間を要するリソグラフィーシミュレーションをディープニューラルネットワークに置き換えるための代替ソリューションを提供している。
本稿では,限られたデータのジレンマを解消し,機械学習モデルの性能を向上させるために,データ拡張フレームワークを提案する。
論文 参考訳(メタデータ) (2022-10-27T20:53:39Z) - Improving Adversarial Robustness by Contrastive Guided Diffusion Process [19.972628281993487]
データ生成における拡散モデルを導くために,コントラスト誘導拡散プロセス(Contrastive-Guided Diffusion Process, DP)を提案する。
生成データ間の識別性の向上は, 対向的ロバスト性の向上に不可欠であることを示す。
論文 参考訳(メタデータ) (2022-10-18T07:20:53Z) - Generative Adversarial Networks for Image Augmentation in Agriculture: A
Systematic Review [5.639656362091594]
2014年にコンピュータビジョンコミュニティで発明されたGAN(Generative Adversarial Network)は、優れたデータ表現を学習できる新しいアプローチスイートを提供する。
本稿では, GAN アーキテクチャの進化を概観するとともに, 農業への導入を体系的に検討する。
論文 参考訳(メタデータ) (2022-04-10T15:33:05Z) - A two-step machine learning approach for crop disease detection: an
application of GAN and UAV technology [0.0]
本稿では,低忠実度および高忠実度画像を連続的に解析する2段階の機械学習手法を提案する。
その結果,高忠実度系では96.3%,低忠実度系では75.5%の信頼度が得られた。
論文 参考訳(メタデータ) (2021-09-19T03:51:20Z) - Negative Data Augmentation [127.28042046152954]
負のデータ拡張サンプルは、データ分散のサポートに関する情報を提供することを示す。
我々は、NDAを識別器の合成データの追加源として利用する新しいGAN訓練目標を提案する。
実験により,本手法で訓練したモデルでは,異常検出能力の向上とともに条件付き・条件付き画像生成の改善を実現している。
論文 参考訳(メタデータ) (2021-02-09T20:28:35Z) - Multi-Spectral Image Synthesis for Crop/Weed Segmentation in Precision
Farming [3.4788711710826083]
本稿では, 精密農業における作物・雑草の分枝化問題に適用し, 共通データ増分法に関する代替手法を提案する。
我々は、最も関連性の高いオブジェクトクラス(作物や雑草)を合成されたクラスに置き換えることで、半人工的なサンプルを作成する。
RGBデータに加えて、近赤外(NIR)情報も考慮し、4つのチャネルマルチスペクトル合成画像を生成する。
論文 参考訳(メタデータ) (2020-09-12T08:49:36Z) - From Rain Generation to Rain Removal [67.71728610434698]
雨層を生成物としてパラメータ化した雨画像のためのベイズ生成モデルを構築した。
降雨画像の統計的分布を推定するために,変分推論の枠組みを用いる。
総合的な実験により,提案モデルが複雑な降雨分布を忠実に抽出できることが確認された。
論文 参考訳(メタデータ) (2020-08-08T18:56:51Z)
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。