論文の概要: Few-Shot Fruit Segmentation via Transfer Learning

• arxiv url: http://arxiv.org/abs/2405.02556v1
• Date: Sat, 4 May 2024 04:05:59 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-07 19:30:33.337419
• Title: Few-Shot Fruit Segmentation via Transfer Learning
• Title（参考訳）: トランスファーラーニングによるフルートの断片化
• Authors: Jordan A. James, Heather K. Manching, Amanda M. Hulse-Kemp, William J. Beksi,
• Abstract要約: 移動学習を用いた内野果実のセマンティックセマンティックセマンティックセマンティクスフレームワークを開発した。 都会のシーン解析における同様の成功を機に,我々は特別事前学習を提案する。 プレトレーニングモデルでは, 地上に落ちてきた果実と木上の果実の区別が可能であることを示す。
• 参考スコア（独自算出の注目度）: 4.616529139444651
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Advancements in machine learning, computer vision, and robotics have paved the way for transformative solutions in various domains, particularly in agriculture. For example, accurate identification and segmentation of fruits from field images plays a crucial role in automating jobs such as harvesting, disease detection, and yield estimation. However, achieving robust and precise infield fruit segmentation remains a challenging task since large amounts of labeled data are required to handle variations in fruit size, shape, color, and occlusion. In this paper, we develop a few-shot semantic segmentation framework for infield fruits using transfer learning. Concretely, our work is aimed at addressing agricultural domains that lack publicly available labeled data. Motivated by similar success in urban scene parsing, we propose specialized pre-training using a public benchmark dataset for fruit transfer learning. By leveraging pre-trained neural networks, accurate semantic segmentation of fruit in the field is achieved with only a few labeled images. Furthermore, we show that models with pre-training learn to distinguish between fruit still on the trees and fruit that have fallen on the ground, and they can effectively transfer the knowledge to the target fruit dataset.
• Abstract（参考訳）: 機械学習、コンピュータビジョン、ロボット工学の進歩は、様々な分野、特に農業における変革的ソリューションの道を開いた。 例えば、フィールド画像からの果物の正確な識別とセグメンテーションは、収穫、病気検出、収量推定といった仕事を自動化する上で重要な役割を担っている。 しかし, 果実の大きさ, 形状, 色, 咬合の変動に大量のラベル付きデータを必要とするため, 頑健で正確な内野果実の分割は難しい課題である。 本稿では,移動学習を用いた内野果実のセマンティックセマンティックセマンティクスフレームワークを開発する。 具体的には,公的なラベル付きデータに欠ける農業領域に対処することを目的としている。 都会のシーン解析における同様の成功を機に、我々は、果物の転写学習のための公開ベンチマークデータセットを用いて、特別な事前学習を提案する。 事前学習されたニューラルネットワークを利用することで、フィールド内の果物の正確なセマンティックセマンティックセグメンテーションを実現する。 さらに, 事前学習モデルでは, 地上に落下した果実と地上の果実とを区別し, その知識を対象の果実データセットに効果的に伝達できることを示す。

関連論文リスト

• Horticultural Temporal Fruit Monitoring via 3D Instance Segmentation and Re-Identification using Point Clouds [29.23207854514898]
  本稿では,温室で収集した点群に時間とともに対処する,時間的果実モニタリングのための新しいアプローチを提案する。 本手法は,学習に基づくインスタンスセグメンテーション手法を用いて実の節分をポイントクラウド上で直接行う。 実のイチゴのデータセットを用いた実験結果から,本手法は果実の再同定方法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-11-12T13:53:22Z)
• MetaFruit Meets Foundation Models: Leveraging a Comprehensive Multi-Fruit Dataset for Advancing Agricultural Foundation Models [10.11552909915055]
  今回紹介するMetaFruitは,4,248のイメージと248,015のラベル付きインスタンスからなる,公開可能な最大規模のマルチクラスフルーツデータセットである。 本研究では, 先進的ビジョン基礎モデル(VFM)を応用したオープンセット果実検出システムを提案する。
  論文  参考訳（メタデータ） (2024-05-14T00:13:47Z)
• A pipeline for multiple orange detection and tracking with 3-D fruit relocalization and neural-net based yield regression in commercial citrus orchards [0.0]
  本稿では,パイプラインとして実装されたビデオの果実数を利用した非侵襲的な代替手段を提案する。 そこで本研究では, 果実位置の3次元推定を利用した再局在化成分を導入する。 果実の少なくとも30%を正確に検出・追跡・数えることにより, 収率回帰器の精度は0.85である。
  論文  参考訳（メタデータ） (2023-12-27T21:22:43Z)
• Transferring Knowledge for Food Image Segmentation using Transformers and Convolutions [65.50975507723827]
  食品画像のセグメンテーションは、食品の皿の栄養価を推定するなど、ユビキタスな用途を持つ重要なタスクである。 1つの課題は、食品が重なり合ったり混ざったりし、区別が難しいことだ。 2つのモデルが訓練され、比較される。1つは畳み込みニューラルネットワークに基づくもので、もう1つは画像変換器(BEiT)のための双方向表現に関するものである。 BEiTモデルは、FoodSeg103上の49.4の結合の平均的交点を達成することで、従来の最先端モデルよりも優れている。
  論文  参考訳（メタデータ） (2023-06-15T15:38:10Z)
• Fruit Ripeness Classification: a Survey [59.11160990637616]
  食品を格付けするための特徴記述子を多用する多くの自動的手法が提案されている。 機械学習とディープラーニング技術がトップパフォーマンスの手法を支配している。 ディープラーニングは生のデータで操作できるため、複雑なエンジニアリング機能を計算する必要がなくなる。
  論文  参考訳（メタデータ） (2022-12-29T19:32:20Z)
• 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)
• End-to-end deep learning for directly estimating grape yield from ground-based imagery [53.086864957064876]
  本研究は, ブドウ畑の収量推定に深層学習と併用した近位画像の応用を実証する。 オブジェクト検出、CNN回帰、トランスフォーマーモデルという3つのモデルアーキテクチャがテストされた。 本研究は,ブドウの収量予測における近位画像と深層学習の適用性を示した。
  論文  参考訳（メタデータ） (2022-08-04T01:34:46Z)
• Facilitated machine learning for image-based fruit quality assessment in developing countries [68.8204255655161]
  自動画像分類は食品科学における教師あり機械学習の一般的な課題である。 事前学習型視覚変換器(ViT)に基づく代替手法を提案する。 標準的なデバイス上で限られたリソースで簡単に実装できる。
  論文  参考訳（メタデータ） (2022-07-10T19:52:20Z)
• Enlisting 3D Crop Models and GANs for More Data Efficient and Generalizable Fruit Detection [0.0]
  本稿では,合成3次元作物モデルドメインから実世界の作物ドメインへの農業画像生成手法を提案する。 本手法は, 果実の位置と形状を保存するために, 意味的に制約されたGAN (generative adversarial network) を用いる。 ブドウ品種検出タスクにおける増分訓練実験により,本手法から生成した画像がドメインプロセスを大幅に高速化できることが判明した。
  論文  参考訳（メタデータ） (2021-08-30T16:11:59Z)
• Measuring the Ripeness of Fruit with Hyperspectral Imaging and Deep Learning [14.853897011640022]
  本稿では,ハイパースペクトルカメラとディープニューラルネットワークアーキテクチャを用いて果実の熟度を計測するシステムを提案する。 このアーキテクチャは、成熟状態の予測において、競合するベースラインモデルに勝った。
  論文  参考訳（メタデータ） (2021-04-20T07:43:19Z)
• Agriculture-Vision: A Large Aerial Image Database for Agricultural Pattern Analysis [110.30849704592592]
  本稿では,農業パターンのセマンティックセグメンテーションのための大規模空中農地画像データセットであるGarmry-Visionを提案する。 各画像はRGBと近赤外線(NIR)チャンネルで構成され、解像度は1ピクセルあたり10cmである。 農家にとって最も重要な9種類のフィールド異常パターンに注釈を付ける。
  論文  参考訳（メタデータ） (2020-01-05T20:19:33Z)

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。