論文の概要: Enhanced Droplet Analysis Using Generative Adversarial Networks

• arxiv url: http://arxiv.org/abs/2402.15909v2
• Date: Thu, 23 May 2024 00:36:27 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-25 06:29:07.889091
• 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, Kim-Doang Nguyen,
• Abstract要約: この研究は、DropletGANという画像生成装置を開発し、ドロップレットの画像を生成する。 また、合成データセットを用いた光液滴検出器の開発にも用いられている。 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。
• 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, we developed an image generator named DropletGAN to generate images of droplets. The DropletGAN 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 1024x1024. The generated images from the DropletGAN are evaluated using the Fr\'echet inception distance (FID) with an FID score of 11.29. 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を高める上で重要な役割を担っている。 したがって、これらの機器の最適化は精密農業において不可欠である。 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なされている。 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。 そこで我々はDropletGANという画像生成装置を開発した。 DropletGAN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,モデルが1024×1024の大きさの高品質な画像を生成できることが示唆された。 DropletGANから生成された画像は、FIDスコア11.29のFr'echet開始距離(FID)を用いて評価される。 さらに、コンピュータビジョンとディープラーニングの最近の進歩を活用して、合成データセットを用いた光液滴検出器を開発する。 その結果、検出モデルは合成データセットを利用すると平均平均精度(mAP)が16.06%向上する。 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。 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

• Generative AI-based Pipeline Architecture for Increasing Training Efficiency in Intelligent Weed Control Systems [0.0]
  本研究は,知的雑草制御のための深層学習に基づく物体検出モデルを改善するために,合成画像を生成する新しいアプローチを提案する。 我々のGenAIベースの画像生成パイプラインは、ゼロショットドメイン適応のためのSegment Anything Model(SAM)と、テキストから画像への安定拡散モデルを統合する。 我々は、これらの合成データセットを軽量YOLOモデルを用いて評価し、mAP50とmAP50-95スコアを用いてデータ効率を測定した。
  論文  参考訳（メタデータ） (2024-11-01T12:58:27Z)
• Optimizing Resource Consumption in Diffusion Models through Hallucination Early Detection [87.22082662250999]
  拡散過程の開始時に不正確な世代を迅速に検出する新しいパラダイムであるHEaD(Hallucination Early Detection)を導入する。 HEaDは計算資源を節約し,生成過程を高速化して完全な画像を得ることを示す。 その結果,HEaDは2つのオブジェクトのシナリオで生成時間の最大12%を節約できることがわかった。
  論文  参考訳（メタデータ） (2024-09-16T18:00:00Z)
• DetDiffusion: Synergizing Generative and Perceptive Models for Enhanced Data Generation and Perception [78.26734070960886]
  現在の知覚モデルは、リソース集約的なデータセットに大きく依存している。 セグメンテーションを通じて知覚認識損失(P.A.損失)を導入し、品質と制御性の両方を改善した。 本手法は,世代間における知覚認識属性(P.A. Attr)の抽出と利用により,データ拡張をカスタマイズする。
  論文  参考訳（メタデータ） (2024-03-20T04:58:03Z)
• E$^{2}$GAN: Efficient Training of Efficient GANs for Image-to-Image Translation [69.72194342962615]
  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。 第3に、微調整に必要な最小限のデータ量を調査し、トレーニング時間を短縮する。
  論文  参考訳（メタデータ） (2024-01-11T18:59:14Z)
• 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)
• 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)
• Deep Data Augmentation for Weed Recognition Enhancement: A Diffusion Probabilistic Model and Transfer Learning Based Approach [17.860192771292713]
  本稿では,拡散確率モデルを用いて高品質な合成雑草画像を生成する方法を提案する。 開発されたアプローチは、いくつかの最先端のGANモデルより一貫して優れている。 合成雑草画像による拡張データセットは、雑草分類タスクのための4つのディープラーニング(DL)モデルにおけるモデルパフォーマンスを向上させる可能性がある。
  論文  参考訳（メタデータ） (2022-10-18T01:00:25Z)
• 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)
• 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。