論文の概要: Energy-Efficient Uncertainty-Aware Biomass Composition Prediction at the Edge
- arxiv url: http://arxiv.org/abs/2404.11230v1
- Date: Wed, 17 Apr 2024 10:26:49 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-18 14:35:31.403841
- Title: Energy-Efficient Uncertainty-Aware Biomass Composition Prediction at the Edge
- Title（参考訳）: エネルギー効率の良い不確かさを考慮したバイオマス組成予測
- Authors: Muhammad Zawish, Paul Albert, Flavio Esposito, Steven Davy, Lizy Abraham,
- Abstract要約: クローバーを含むハーベージは食物の摂取量を増加させ、牛乳の生産量も増加する。
深層学習アルゴリズムは,草地の直接画像から乾式バイオマス組成を推定する目的で提案されている。
本稿では,既存のディープラーニングソリューションのエネルギー要求を削減するためにフィルタプルーニングを適用して,このギャップを埋めることを提案する。
この課題は, 分散減衰損失を用いたフィルタ解析モデルを用いて, 予測の不確かさを予測し, しきい値を超えた場合, より正確な未解析モデルを用いて再推論を行うことによって解決される。
- 参考スコア（独自算出の注目度）: 6.76163770004542
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Clover fixates nitrogen from the atmosphere to the ground, making grass-clover mixtures highly desirable to reduce external nitrogen fertilization. Herbage containing clover additionally promotes higher food intake, resulting in higher milk production. Herbage probing however remains largely unused as it requires a time-intensive manual laboratory analysis. Without this information, farmers are unable to perform localized clover sowing or take targeted fertilization decisions. Deep learning algorithms have been proposed with the goal to estimate the dry biomass composition from images of the grass directly in the fields. The energy-intensive nature of deep learning however limits deployment to practical edge devices such as smartphones. This paper proposes to fill this gap by applying filter pruning to reduce the energy requirement of existing deep learning solutions. We report that although pruned networks are accurate on controlled, high-quality images of the grass, they struggle to generalize to real-world smartphone images that are blurry or taken from challenging angles. We address this challenge by training filter-pruned models using a variance attenuation loss so they can predict the uncertainty of their predictions. When the uncertainty exceeds a threshold, we re-infer using a more accurate unpruned model. This hybrid approach allows us to reduce energy consumption while retaining a high accuracy. We evaluate our algorithm on two datasets: the GrassClover and the Irish clover using an NVIDIA Jetson Nano edge device. We find that we reduce energy reduction with respect to state-of-the-art solutions by 50% on average with only 4% accuracy loss.
- Abstract（参考訳）: クローバーは大気から地面へ窒素を固定し、外部窒素の施肥を減らすために草とクローバーの混合物を非常に好ましいものにする。
クローバーを含むハーベージは食物の摂取量も増加し、牛乳の生産量も増加する。
しかしながら、ハーベージの探索には時間を要する手動実験室分析が必要であるため、ほとんど使われていない。
この情報がないと、農家はローカライズドローイングを行うことができず、あるいはターゲットの受精決定を下すことができない。
深層学習アルゴリズムは,草地の直接画像から乾式バイオマス組成を推定する目的で提案されている。
しかし、ディープラーニングのエネルギー集約的な性質は、スマートフォンのような実用的なエッジデバイスへの展開を制限する。
本稿では,既存のディープラーニングソリューションのエネルギー要求を削減するためにフィルタプルーニングを適用して,このギャップを埋めることを提案する。
刈り取られたネットワークは、制御された高品質な草のイメージに対して正確であるが、現実のスマートフォンの画像をぼやけたり、難解な角度から捉えたりするのに苦労している、と報告している。
この課題に対して,分散減衰損失を用いてフィルタ計算モデルを訓練し,予測の不確かさを予測する。
不確実性がしきい値を超えると、より正確な未切断モデルを用いて再推論する。
このハイブリッドアプローチにより、高い精度を維持しながらエネルギー消費を減らすことができる。
NVIDIA Jetson Nanoエッジデバイスを用いたGrassCloverとIrishクローバの2つのデータセットでアルゴリズムの評価を行った。
我々は、最先端のソリューションに対するエネルギー削減を、4%の精度損失で平均50%削減することを発見した。
関連論文リスト
- PostCast: Generalizable Postprocessing for Precipitation Nowcasting via Unsupervised Blurriness Modeling [85.56969895866243]
本稿では,ぼやけた予測とそれに対応する土台真実のペアによるトレーニングを必要とせずに,ぼやけを解消するための教師なしポストプロセッシング手法を提案する。
非条件相関を任意のぼかしモードに適応させるため、ゼロショットのぼかしカーネル推定機構とオートスケールの denoise ガイダンス戦略を導入する。
論文 参考訳（メタデータ） (2024-10-08T08:38:23Z) - Instant Uncertainty Calibration of NeRFs Using a Meta-calibrator [60.47106421809998]
我々は,1つの前方パスを持つNeRFに対して不確実な校正を行うメタ校正器の概念を導入する。
メタキャリブレータは、見えないシーンを一般化し、NeRFの良好な校正と最先端の不確実性を実現できることを示す。
論文 参考訳（メタデータ） (2023-12-04T21:29:31Z) - Computer Vision for Particle Size Analysis of Coarse-Grained Soils [0.0]
粒子径解析は土壌の物理的特性を評価するための基礎技術である。
粗粒土のPSAにコンピュータビジョン(CV)とPython言語を利用する新しい手法を提案する。
本手法は,高性能カメラを不要にすることで,利便性とコスト削減を実現する。
論文 参考訳（メタデータ） (2023-11-11T17:01:24Z) - Generative models-based data labeling for deep networks regression:
application to seed maturity estimation from UAV multispectral images [3.6868861317674524]
種子の成熟度モニタリングは、気候変動とより制限的な慣行による農業における課題の増加である。
従来の手法は、フィールドでの限られたサンプリングと実験室での分析に基づいている。
マルチスペクトルUAV画像を用いたパセリ種子の成熟度推定手法の提案と,自動ラベリングのための新しいアプローチを提案する。
論文 参考訳（メタデータ） (2022-08-09T09:06:51Z) - Towards Generating Large Synthetic Phytoplankton Datasets for Efficient
Monitoring of Harmful Algal Blooms [77.25251419910205]
有害な藻類(HAB)は養殖農場で重大な魚死を引き起こす。
現在、有害藻や他の植物プランクトンを列挙する標準的な方法は、顕微鏡でそれらを手動で観察し数えることである。
合成画像の生成にはGAN(Generative Adversarial Networks)を用いる。
論文 参考訳（メタデータ） (2022-08-03T20:15:55Z) - Unsupervised domain adaptation and super resolution on drone images for
autonomous dry herbage biomass estimation [14.666311628659072]
ハーベージ質量収量と組成推定は、乳製品農家にとって重要なツールである。
ディープラーニングアルゴリズムは、スワード合成推定の通常の方法に代わる誘惑的な代替手段を提供する。
本稿では,地上レベルの画像から生のドローン画像への知識の伝達を教師なしで行うことを提案する。
論文 参考訳（メタデータ） (2022-04-18T12:11:15Z) - Potato Crop Stress Identification in Aerial Images using Deep
Learning-based Object Detection [60.83360138070649]
本稿では, 深層ニューラルネットワークを用いたジャガイモの空中画像解析手法を提案する。
主な目的は、植物レベルでの健康作物とストレス作物の自動空間認識を実証することである。
実験により、フィールド画像中の健康植物とストレス植物を識別し、平均Dice係数0.74を達成できることを示した。
論文 参考訳（メタデータ） (2021-06-14T21:57:40Z) - Non-Homogeneous Haze Removal via Artificial Scene Prior and
Bidimensional Graph Reasoning [52.07698484363237]
本研究では,人工シーンの前置と2次元グラフ推論による不均質なヘイズ除去ネットワーク(nhrn)を提案する。
本手法は,単一画像デハジングタスクとハイザイ画像理解タスクの両方において,最先端アルゴリズムよりも優れた性能を実現する。
論文 参考訳（メタデータ） (2021-04-05T13:04:44Z) - Extracting Pasture Phenotype and Biomass Percentages using Weakly
Supervised Multi-target Deep Learning on a Small Dataset [10.007844164505157]
乳製品産業は牛の飼料としてクローバーと草を使う。
草とクローバーのバイオマス収量の推定は賢い決定を可能にする。
データ拡張と転送学習を適用することは、異なる植物種のマルチターゲットバイオマスパーセンテージの予測に効果的です。
論文 参考訳（メタデータ） (2021-01-08T19:41:46Z) - Deep Photo Cropper and Enhancer [65.11910918427296]
画像に埋め込まれた画像を収穫する新しいタイプの画像強調問題を提案する。
提案手法をディープ・フォト・クリーパーとディープ・イメージ・エンハンサーの2つのディープ・ネットワークに分割した。
フォトクロッパーネットワークでは,埋め込み画像の抽出に空間変換器を用いる。
フォトエンハンサーでは、埋め込み画像中の画素数を増やすために超解像を用いる。
論文 参考訳（メタデータ） (2020-08-03T03:50:20Z)
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。