論文の概要: Advanced wood species identification based on multiple anatomical sections and using deep feature transfer and fusion

• arxiv url: http://arxiv.org/abs/2404.08585v1
• Date: Fri, 12 Apr 2024 16:30:15 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-15 14:27:45.322746
• Title: Advanced wood species identification based on multiple anatomical sections and using deep feature transfer and fusion
• Title（参考訳）: 複数の解剖学的断面と深部構造移動と融合を用いた木材種同定
• Authors: Kallil M. Zielinski, Leonardo Scabini, Lucas C. Ribas, Núbia R. da Silva, Hans Beeckman, Jan Verwaeren, Odemir M. Bruno, Bernard De Baets,
• Abstract要約: DNA分析、近赤外分光法(NIR)、DART質量分析法(Direct Analysis in Real Time、DART)といった手法は、長年確立されてきた細胞および組織形態の解剖学的評価を補完する。 これらの手法の多くは、高コスト、データ解釈の熟練した専門家の必要性、専門家参照のための優れたデータセットの欠如など、いくつかの制限がある。 本稿では,コンボリューショナルニューラルネットワークを用いた2つの伝達学習手法を多視点木種データセットに適用する。 以上の結果から,多様なデータセットや解剖学的部分の精度が,他の手法よりも優れていたことが示唆された。
• 参考スコア（独自算出の注目度）: 8.844437603161198
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In recent years, we have seen many advancements in wood species identification. Methods like DNA analysis, Near Infrared (NIR) spectroscopy, and Direct Analysis in Real Time (DART) mass spectrometry complement the long-established wood anatomical assessment of cell and tissue morphology. However, most of these methods have some limitations such as high costs, the need for skilled experts for data interpretation, and the lack of good datasets for professional reference. Therefore, most of these methods, and certainly the wood anatomical assessment, may benefit from tools based on Artificial Intelligence. In this paper, we apply two transfer learning techniques with Convolutional Neural Networks (CNNs) to a multi-view Congolese wood species dataset including sections from different orientations and viewed at different microscopic magnifications. We explore two feature extraction methods in detail, namely Global Average Pooling (GAP) and Random Encoding of Aggregated Deep Activation Maps (RADAM), for efficient and accurate wood species identification. Our results indicate superior accuracy on diverse datasets and anatomical sections, surpassing the results of other methods. Our proposal represents a significant advancement in wood species identification, offering a robust tool to support the conservation of forest ecosystems and promote sustainable forestry practices.
• Abstract（参考訳）: 近年,木質種の同定が盛んに行われている。 DNA分析、近赤外分光法(NIR)、DART質量分析法(Direct Analysis in Real Time、DART)といった手法は、長年確立されてきた細胞および組織形態の解剖学的評価を補完する。 しかし、これらの手法の多くは、高コスト、データ解釈のための熟練した専門家の必要性、専門家参照のための優れたデータセットの欠如など、いくつかの制限がある。 したがって、これらの手法のほとんどは、間違いなく木製解剖学的評価であり、人工知能に基づくツールの恩恵を受ける可能性がある。 本稿では, コンボリューショナルニューラルネットワーク(CNN)を用いた2つの伝達学習手法を, 異なる方向からのセクションを含む多視点コンゴ種木種データセットに適用し, 異なる微視的拡大を観察する。 我々は, 木材種同定の効率化と高精度化を目的として, GAP (Global Average Pooling) とRADAM (Random Encoding of Aggregated Deep Activation Maps) の2つの特徴抽出手法を詳細に検討した。 以上の結果から,多様なデータセットや解剖学的部分の精度が,他の手法よりも優れていたことが示唆された。 本提案は,森林生態系の保全と持続可能な林業の促進を支援するための堅牢なツールとして,木材種識別の大幅な進歩を示すものである。

関連論文リスト

• Tree Species Classification using Machine Learning and 3D Tomographic SAR -- a case study in Northern Europe [0.0]
  樹木種の分類は、自然保護、森林在庫、森林管理、絶滅危惧種の保護において重要な役割を担っている。 本研究では,SLC(Single-look Complex)画像のスタックを利用した3次元トモグラフィーデータセットであるTtomoSenseを用いた。
  論文  参考訳（メタデータ） (2024-11-19T22:25:26Z)
• Deep Learning methodology for the identification of wood species using high-resolution macroscopic images [6.510691480587631]
  本研究は,木材の高分解能マクロ画像による木材種の同定の自動化に寄与する。 本稿では,TDLI-PIV を省略した Patch-based Inference Voting Method を用いたTimber Deep Learning Identificationを提案する。 このデータセットには2120枚の木材の画像が含まれており、37種の木を法的に保護している。
  論文  参考訳（メタデータ） (2024-06-17T17:31:57Z)
• Neural Echos: Depthwise Convolutional Filters Replicate Biological Receptive Fields [56.69755544814834]
  哺乳類網膜で観察される生体受容野を,深部核が効果的に複製していることを示す証拠を提示する。 生体受容の分野からインスピレーションを得る手法を提案する。
  論文  参考訳（メタデータ） (2024-01-18T18:06:22Z)
• Tissue Segmentation of Thick-Slice Fetal Brain MR Scans with Guidance from High-Quality Isotropic Volumes [52.242103848335354]
  本稿では,高品位等方性ボリュームから学習した知識を高密度スライススキャンの正確な組織セグメント化のために効率的に伝達するC2DA-Netを提案する。 我々のC2DA-Netは、注釈のない厚いスライススキャンで組織分画をガイドするために、注釈付き等方性ボリュームの小さなセットを十分に利用できる。
  論文  参考訳（メタデータ） (2023-08-13T12:51:15Z)
• Automating Wood Species Detection and Classification in Microscopic Images of Fibrous Materials with Deep Learning [1.231476564107544]
  本研究は, マス化木材の大規模画像データセットを体系的に生成する手法を開発した。 これは、深層学習による繊維質材料の顕微鏡像における硬材種の同定を初めて自動化するための、実質的なアプローチの基礎である。
  論文  参考訳（メタデータ） (2023-07-18T19:51:28Z)
• Domain Generalization for Mammographic Image Analysis with Contrastive Learning [62.25104935889111]
  効果的なディープラーニングモデルのトレーニングには、さまざまなスタイルと品質を備えた大規模なデータが必要である。 より優れたスタイルの一般化能力を備えた深層学習モデルを実現するために,新しいコントラスト学習法が開発された。 提案手法は,様々なベンダスタイルドメインのマンモグラムや,いくつかのパブリックデータセットを用いて,広範囲かつ厳密に評価されている。
  論文  参考訳（メタデータ） (2023-04-20T11:40:21Z)
• Classification of Single Tree Decay Stages from Combined Airborne LiDAR Data and CIR Imagery [1.4589991363650008]
  この研究は、初めて、個々の木(ノルウェー・スプルース)を5つの崩壊段階に自動的に分類した。 3つの異なる機械学習手法 - 3Dポイントクラウドベースのディープラーニング(KPConv)、畳み込みニューラルネットワーク(CNN)、ランダムフォレスト(RF)。 KPConv、CNN、RFの合計精度は88.8%、88.4%、85.9%に達した。
  論文  参考訳（メタデータ） (2023-01-04T22:20:16Z)
• Affinity Feature Strengthening for Accurate, Complete and Robust Vessel Segmentation [48.638327652506284]
  血管セグメンテーションは、冠動脈狭窄、網膜血管疾患、脳動脈瘤などの多くの医学的応用において重要である。 コントラストに敏感なマルチスケールアフィニティアプローチを用いて,幾何学的手法と画素単位のセグメンテーション特徴を連成的にモデル化する新しいアプローチであるAFNを提案する。
  論文  参考訳（メタデータ） (2022-11-12T05:39:17Z)
• Semantic Image Segmentation with Deep Learning for Vine Leaf Phenotyping [59.0626764544669]
  本研究では,ブドウの葉のイメージを意味的にセグメント化するためにDeep Learning法を用いて,葉の表現型自動検出システムを開発した。 私たちの研究は、成長や開発のような動的な特性を捉え定量化できる植物ライフサイクルのモニタリングに寄与します。
  論文  参考訳（メタデータ） (2022-10-24T14:37:09Z)
• Individual Tree Detection and Crown Delineation with 3D Information from Multi-view Satellite Images [5.185018253122575]
  森林在庫管理において,個々の樹冠検出とクラウンデライン化(ITDD)が重要である。 マルチビュー衛星データから導出した直視・デジタル表面モデル(DSM)を用いたITDD手法を提案する。 3つの代表地域における手作業による植樹試験の結果,有望な結果が得られた。
  論文  参考訳（メタデータ） (2021-07-01T16:28:43Z)
• MS-Net: Multi-Site Network for Improving Prostate Segmentation with Heterogeneous MRI Data [75.73881040581767]
  本稿では,ロバスト表現を学習し,前立腺のセグメンテーションを改善するための新しいマルチサイトネットワーク(MS-Net)を提案する。 当社のMS-Netは,すべてのデータセットのパフォーマンスを一貫して改善し,マルチサイト学習における最先端の手法よりも優れています。
  論文  参考訳（メタデータ） (2020-02-09T14:11:50Z)

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。