論文の概要: LAESI: Leaf Area Estimation with Synthetic Imagery

• arxiv url: http://arxiv.org/abs/2404.00593v1
• Date: Sun, 31 Mar 2024 07:56:07 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-04 02:50:30.123834
• Title: LAESI: Leaf Area Estimation with Synthetic Imagery
• Title（参考訳）: LAESI:合成画像を用いた葉面積推定
• Authors: Jacek Kałużny, Yannik Schreckenberg, Karol Cyganik, Peter Annighöfer, Sören Pirk, Dominik L. Michels, Mikolaj Cieslak, Farhah Assaad-Gerbert, Bedrich Benes, Wojciech Pałubicki,
• Abstract要約: LAESIは合成葉画像10万枚をミリ紙上に合成した合成葉データである。 このデータセットは、ブナとオークの葉を対象とした葉の形態解析のリソースを提供する。 葉の表面積予測とセマンティックセグメンテーションのための機械学習モデルを訓練することにより,データセットの適用性を評価する。
• 参考スコア（独自算出の注目度）: 13.145253458335464
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce LAESI, a Synthetic Leaf Dataset of 100,000 synthetic leaf images on millimeter paper, each with semantic masks and surface area labels. This dataset provides a resource for leaf morphology analysis primarily aimed at beech and oak leaves. We evaluate the applicability of the dataset by training machine learning models for leaf surface area prediction and semantic segmentation, using real images for validation. Our validation shows that these models can be trained to predict leaf surface area with a relative error not greater than an average human annotator. LAESI also provides an efficient framework based on 3D procedural models and generative AI for the large-scale, controllable generation of data with potential further applications in agriculture and biology. We evaluate the inclusion of generative AI in our procedural data generation pipeline and show how data filtering based on annotation consistency results in datasets which allow training the highest performing vision models.
• Abstract（参考訳）: LAESIは,合成葉画像10万枚をミリ紙上に合成し,それぞれに意味マスクと表面積ラベルを付加した合成葉データである。 このデータセットは、主にブナとオークの葉を対象とした葉の形態解析のリソースを提供する。 実画像を用いた葉の表面積予測とセマンティックセグメンテーションのための機械学習モデルを学習し,データセットの適用性を評価する。 以上の結果から,これらのモデルを用いて,平均的なアノテータよりも高い誤差で葉の表面積を予測できることがわかった。 LAESIはまた、3Dプロシージャモデルに基づく効率的なフレームワークと、大規模で制御可能なデータ生成のための生成AIを提供する。 手続き型データ生成パイプラインに生成AIが組み込まれていることを評価し、アノテーションの整合性に基づくデータフィルタリングがデータセットにどのように影響するかを示す。

関連論文リスト

• Generating Realistic Tabular Data with Large Language Models [49.03536886067729]
  大規模言語モデル(LLM)は多様なタスクに使われてきたが、特徴と対象変数の正確な相関は捉えていない。 そこで本研究では,LLMに基づく3つの重要な改良を加えて,実データの特徴クラス相関を正しく把握する手法を提案する。 実験の結果,本手法は下流タスクにおいて,20個のデータセット上で10個のSOTAベースラインを著しく上回っていることがわかった。
  論文  参考訳（メタデータ） (2024-10-29T04:14:32Z)
• Forewarned is Forearmed: Leveraging LLMs for Data Synthesis through Failure-Inducing Exploration [90.41908331897639]
  大規模言語モデル(LLM)は、多種多様な高品質なタスク特化データのトレーニングの恩恵を受けている。 本稿では,効果的なトレーニングサンプルを自動生成する新しい手法であるReverseGenを提案する。
  論文  参考訳（メタデータ） (2024-10-22T06:43:28Z)
• DataDream: Few-shot Guided Dataset Generation [90.09164461462365]
  実データ分布をより忠実に表現する分類データセットを合成するためのフレームワークを提案する。 DataDream fine-tunes LoRA weights for the image generation model on the few real image before generated the training data using the adapt model。 次に、合成データを用いてCLIPのLoRA重みを微調整し、様々なデータセットに対する以前のアプローチよりも下流画像の分類を改善する。
  論文  参考訳（メタデータ） (2024-07-15T17:10:31Z)
• Modified CycleGAN for the synthesization of samples for wheat head segmentation [0.09999629695552192]
  注釈付きデータセットがない場合は、モデル開発に合成データを使用することができる。 そこで我々は,小麦頭部分割のための現実的な注釈付き合成データセットを開発した。 その結果、Diceのスコアは内部データセットで83.4%、外部のGlobal Wheat Head Detectionデータセットで83.6%に達した。
  論文  参考訳（メタデータ） (2024-02-23T06:42:58Z)
• Simulation-Enhanced Data Augmentation for Machine Learning Pathloss Prediction [9.664420734674088]
  本稿では,機械学習パスロス予測のための新しいシミュレーション強化データ拡張手法を提案する。 本手法は,細胞被覆シミュレータから生成した合成データと,独立して収集した実世界のデータセットを統合する。 合成データの統合は、異なる環境におけるモデルの一般化可能性を大幅に向上させる。
  論文  参考訳（メタデータ） (2024-02-03T00:38:08Z)
• KAXAI: An Integrated Environment for Knowledge Analysis and Explainable AI [0.0]
  本稿では,AutoML,XAI,合成データ生成を統合したシステムの設計について述べる。 このシステムは、複雑度を抽象化し、高いユーザビリティを提供しながら、機械学習のパワーをナビゲートし活用することができる。
  論文  参考訳（メタデータ） (2023-12-30T10:20:47Z)
• Exploring the Effectiveness of Dataset Synthesis: An application of Apple Detection in Orchards [68.95806641664713]
  本研究では,リンゴ樹の合成データセットを生成するための安定拡散2.1-baseの有用性について検討する。 我々は、現実世界のリンゴ検出データセットでリンゴを予測するために、YOLOv5mオブジェクト検出モデルを訓練する。 その結果、実世界の画像でトレーニングされたベースラインモデルと比較して、生成データでトレーニングされたモデルはわずかに性能が劣っていることがわかった。
  論文  参考訳（メタデータ） (2023-06-20T09:46:01Z)
• Is synthetic data from generative models ready for image recognition? [69.42645602062024]
  本研究では,最新のテキスト・画像生成モデルから生成した合成画像が,画像認識タスクにどのように利用できるかを検討した。 本稿では,既存の生成モデルからの合成データの強大さと欠点を示し,認識タスクに合成データを適用するための戦略を提案する。
  論文  参考訳（メタデータ） (2022-10-14T06:54:24Z)
• A Deep Learning Generative Model Approach for Image Synthesis of Plant Leaves [62.997667081978825]
  我々は,高度深層学習(DL)技術を用いて,人工葉画像の自動生成を行う。 我々は、現代の作物管理のためのAIアプリケーションのためのトレーニングサンプルのソースを処分することを目指している。
  論文  参考訳（メタデータ） (2021-11-05T10:53:35Z)
• 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)

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。