論文の概要: Image-based Agarwood Resinous Area Segmentation using Deep Learning
- arxiv url: http://arxiv.org/abs/2404.05129v1
- Date: Mon, 8 Apr 2024 01:14:09 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-09 15:43:25.335175
- Title: Image-based Agarwood Resinous Area Segmentation using Deep Learning
- Title（参考訳）: 深層学習を用いたイメージベースアガルウッドレジン部セグメンテーション
- Authors: Irwandi Hipiny, Johari Abdullah, Noor Alamshah Bolhassan,
- Abstract要約: 商用のアガーウッド産業は、コンピュータ数値制御(CNC)マシンを使用して、このタスクに人間の努力を置き換えようと積極的に研究している。
代わりにDeep Learning Image segmentation法を提案する。
私たちのセットアップでは、断面画像をキャプチャして、イメージファイルをコンピュータに渡します。
コンピュータは、自動画像セグメンテーションを実行し、CNCマシンにGコードスクリプトを供給する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The manual extraction method of Agarwood resinous compound is laborious work, requires skilled workers, and is subject to human errors. Commercial Agarwood industries have been actively exploring using Computer Numerical Control (CNC) machines to replace human effort for this particular task. The CNC machine accepts a G-code script produced from a binary image in which the wood region that needs to be chiselled off is marked with (0, 0, 0) as its RGB value. Rather than requiring a human expert to perform the region marking, we propose using a Deep learning image segmentation method instead. Our setup involves a camera that captures the cross-section image and then passes the image file to a computer. The computer performs the automated image segmentation and feeds the CNC machine with a G-code script. In this article, we report the initial segmentation results achieved using a state-of-the-art Deep learning segmentation method and discuss potential improvements to refine the segmentation accuracy.
- Abstract（参考訳）: アガルウッド樹脂化合物の手作業抽出法は、手間がかかる作業であり、熟練労働者を必要とし、人的ミスを被る。
商用のアガーウッド産業は、コンピュータ数値制御(CNC)マシンを使用して、このタスクに人間の努力を置き換えようと積極的に研究している。
CNCマシンは、焼成が必要な木材領域を(0,0,0)をRGB値としてマークしたバイナリ画像から生成されたGコードスクリプトを受信する。
そこで本研究では,Deep Learning Image segmentation法を提案する。
私たちのセットアップでは、断面画像をキャプチャして、イメージファイルをコンピュータに渡します。
コンピュータは、自動画像セグメンテーションを実行し、CNCマシンにGコードスクリプトを供給する。
本稿では、最先端のDeep Learningセグメンテーション手法を用いて達成された初期セグメンテーション結果を報告し、セグメンテーション精度を向上するための潜在的な改善について議論する。
関連論文リスト
- Bellybutton: Accessible and Customizable Deep-Learning Image
Segmentation [0.0]
本稿では,ラップトップ上でトレーニング可能な15層畳み込みニューラルネットワークであるBellybuttonを用いて,使いやすく(コーディング不要)な画像セグメンテーション手法を提案する。
本稿では,Bellybuttonが関心領域の照明,形状,大きさ,焦点,構造の変化に拘わらず,画像を正しくセグメント化する3つのユースケースについて述べる。
論文 参考訳（メタデータ） (2023-08-31T18:04:09Z) - Zero-shot Referring Image Segmentation with Global-Local Context
Features [8.77461711080319]
参照画像セグメンテーション(RIS)は、入力画像の領域に接する参照表現を与えられたセグメンテーションマスクを見つけることを目的としている。
本稿では,CLIPから事前学習したクロスモーダル知識を利用した,シンプルで効果的なゼロショット参照画像セグメンテーション法を提案する。
実験では,提案手法は,タスクのゼロショットベースラインや,弱教師付き参照表現セグメンテーションにおいても,かなりのマージンで性能を向上する。
論文 参考訳（メタデータ） (2023-03-31T06:00:50Z) - Self-Supervised Correction Learning for Semi-Supervised Biomedical Image
Segmentation [84.58210297703714]
半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。
共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。
異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
論文 参考訳（メタデータ） (2023-01-12T08:19:46Z) - From Explanations to Segmentation: Using Explainable AI for Image
Segmentation [1.8581514902689347]
我々は、説明可能なAI(XAI)コミュニティの進歩の上に構築し、ピクセル単位のバイナリセグメンテーションを抽出する。
我々は,既存のU-Netセグメンテーションアーキテクチャと比較して,同様の結果が得られることを示す。
トレーニングサンプルは画像レベルでのみラベル付けする必要があるため,提案手法は弱教師付きでトレーニングすることができる。
論文 参考訳（メタデータ） (2022-02-01T10:26:10Z) - Learning Co-segmentation by Segment Swapping for Retrieval and Discovery [67.6609943904996]
この研究の目的は、一対のイメージから視覚的に類似したパターンを効率的に識別することである。
画像中のオブジェクトセグメントを選択し、それを別の画像にコピーペーストすることで、合成トレーニングペアを生成する。
提案手法は,Brueghelデータセット上でのアートワークの詳細検索に対して,明確な改善をもたらすことを示す。
論文 参考訳（メタデータ） (2021-10-29T16:51:16Z) - Small Lesion Segmentation in Brain MRIs with Subpixel Embedding [105.1223735549524]
ヒト脳のMRIスキャンを虚血性脳梗塞と正常組織に分割する方法を提案する。
本稿では,空間展開埋め込みネットワークによって予測を導出する標準エンコーダデコーダの形式でニューラルネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2021-09-18T00:21:17Z) - Deep ensembles based on Stochastic Activation Selection for Polyp
Segmentation [82.61182037130406]
本研究は,大腸内視鏡検査における画像分割,特に正確なポリープ検出とセグメンテーションを扱う。
イメージセグメンテーションの基本アーキテクチャはエンコーダとデコーダで構成されている。
我々はデコーダのバックボーンを変更することで得られるDeepLabアーキテクチャのバリエーションを比較した。
論文 参考訳（メタデータ） (2021-04-02T02:07:37Z) - Global Image Segmentation Process using Machine Learning algorithm &
Convolution Neural Network method for Self- Driving Vehicles [0.0]
自動運転車では、画像のセグメンテーションが視覚的知覚の重要な問題であった。
そこで我々は,周辺環境におけるエージェントの予測のための視覚知覚タスクに,画像分割プロセスを採用した。
また,NVDIA GeForce GTX 1050 GPUを用いて90FPSの推論速度を実現する。
論文 参考訳（メタデータ） (2020-10-26T02:51:00Z) - Automatic Radish Wilt Detection Using Image Processing Based Techniques
and Machine Learning Algorithm [3.4392739159262145]
本研究では,ラディッシュ作物のフッ化物検出のためのセグメンテーション法と抽出法を提案する。
最近のワイト検出アルゴリズムは、画像処理技術または従来の機械学習アルゴリズムに基づいている。
提案手法は,画像処理と機械学習を組み合わせたハイブリッドアルゴリズムに基づいている。
論文 参考訳（メタデータ） (2020-09-01T01:37:01Z) - CRNet: Cross-Reference Networks for Few-Shot Segmentation [59.85183776573642]
少ないショットセグメンテーションは、少数のトレーニングイメージを持つ新しいクラスに一般化できるセグメンテーションモデルを学ぶことを目的としている。
相互参照機構により、我々のネットワークは2つの画像に共起する物体をよりよく見つけることができる。
PASCAL VOC 2012データセットの実験は、我々のネットワークが最先端のパフォーマンスを達成することを示す。
論文 参考訳（メタデータ） (2020-03-24T04:55:43Z) - RGB-based Semantic Segmentation Using Self-Supervised Depth Pre-Training [77.62171090230986]
本稿では,任意の意味的RGBセグメンテーション手法の事前学習に使用できる,スケーラブルで自己管理の容易な手法を提案する。
特に、我々の事前学習アプローチでは、深度センサーを用いて得られるラベルを自動生成する。
提案したHNラベルによる自己教師付き事前学習が,ImageNetの事前学習にどのように応用できるかを示す。
論文 参考訳（メタデータ） (2020-02-06T11:16:24Z)
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。