Fugu-MT 論文翻訳(概要): Fruit Classification System with Deep Learning and Neural Architecture Search

論文の概要: Fruit Classification System with Deep Learning and Neural Architecture Search

arxiv url: http://arxiv.org/abs/2406.01869v1
Date: Tue, 4 Jun 2024 00:41:47 GMT
ステータス: 処理完了
システム内更新日: 2024-06-05 20:23:04.326044
Title: Fruit Classification System with Deep Learning and Neural Architecture Search
Title（参考訳）: ディープラーニングとニューラルアーキテクチャ検索を用いた果実分類システム
Authors: Christine Dewi, Dhananjay Thiruvady, Nayyar Zaidi,
Abstract要約: この研究では、Avocado、Bana、Cherry、Apple Braeburn、Apple Golden 1, Apricot、Grape、Kiwi、Mango、Orange、Papaaya、Peach、Pineapple、Pomegranate、Strawberryの合計15種類の果物が特定された。提案した99.98% mAPモデルにより,Fruitデータセットを用いた先行研究における検出性能が向上した。
参考スコア（独自算出の注目度）: 0.9217021281095907
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The fruit identification process involves analyzing and categorizing different types of fruits based on their visual characteristics. This activity can be achieved using a range of methodologies, encompassing manual examination, conventional computer vision methodologies, and more sophisticated methodologies employing machine learning and deep learning. Our study identified a total of 15 distinct categories of fruit, consisting of class Avocado, Banana, Cherry, Apple Braeburn, Apple golden 1, Apricot, Grape, Kiwi, Mango, Orange, Papaya, Peach, Pineapple, Pomegranate and Strawberry. Neural Architecture Search (NAS) is a technological advancement employed within the realm of deep learning and artificial intelligence, to automate conceptualizing and refining neural network topologies. NAS aims to identify neural network structures that are highly suitable for tasks, such as the detection of fruits. Our suggested model with 99.98% mAP increased the detection performance of the preceding research study that used Fruit datasets. In addition, after the completion of the study, a comparative analysis was carried out to assess the findings in conjunction with those of another research that is connected to the topic. When compared to the findings of earlier studies, the detector that was proposed exhibited higher performance in terms of both its accuracy and its precision.
Abstract（参考訳）: 果実識別プロセスは、その視覚的特徴に基づいて異なる種類の果実を分析し分類する。この活動は、手動検査、従来のコンピュータビジョン方法論、機械学習とディープラーニングを用いたより洗練された方法論を含む、様々な手法を用いて達成できる。 Avocado, Banana, Cherry, Apple Braeburn, Apple Golden 1, Apricot, Grape, Kiwi, Mango, Orange, Papaya, Peach, Pineapple, Pomegranate, Strawberryの合計15種類の果実を同定した。ニューラルアーキテクチャサーチ(英: Neural Architecture Search、NAS)は、ニューラルネットワークトポロジの概念化と精細化を自動化するために、ディープラーニングと人工知能の領域で使用される技術進歩である。 NASは、果物の検出などのタスクに非常に適したニューラルネットワーク構造を特定することを目的としている。提案した99.98% mAPモデルにより,Fruitデータセットを用いた先行研究における検出性能が向上した。また,本研究の完了後,そのトピックに関連する他の研究の成果と合わせて,比較分析を行った。以前の研究と比較すると、提案された検出器は精度と精度の両方において高い性能を示した。

関連論文リスト

Classifying Healthy and Defective Fruits with a Multi-Input Architecture and CNN Models [0.0]
主な目的は、CNNモデルの精度を高めることである。その結果,Multi-Input アーキテクチャにシルエット画像を含めることで,優れた性能のモデルが得られることがわかった。
論文参考訳（メタデータ） (2024-10-14T21:37:12Z)
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)
An Improved CNN-based Neural Network Model for Fruit Sugar Level Detection [24.07349410158827]
我々は,果実の可視/近赤外(V/NIR)スペクトルに基づいて,ニューラルネットワーク(ANN)を用いた果実糖度推定のための回帰モデルを構築した。果実糖濃度を検出対象として,Gan Nan Navel と Tian Shan Pear の2種類の果実データを収集し,その比較実験を行った。
論文参考訳（メタデータ） (2023-11-18T17:07:25Z)
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)
Fruit Quality Assessment with Densely Connected Convolutional Neural Network [0.0]
我々はDensely Connected Convolutional Neural Networks(DenseNets)の概念を果物の品質評価に活用した。提案されたパイプラインは99.67%の精度を達成した。さらに,同モデルが同様の性能を示す果実分類および品質評価タスクにおいて,モデルの堅牢性をさらに検証した。
論文参考訳（メタデータ） (2022-12-08T13:11:47Z)
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)
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)
On the Exploitation of Neuroevolutionary Information: Analyzing the Past for a More Efficient Future [60.99717891994599]
本稿では,神経進化過程から情報を抽出し,メタモデルを構築するアプローチを提案する。本稿では, 異なる特徴を有する生成的対向ネットワークの神経進化的探索における最良の構造について検討する。
論文参考訳（メタデータ） (2021-05-26T20:55:29Z)
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)
NAS-Navigator: Visual Steering for Explainable One-Shot Deep Neural Network Synthesis [53.106414896248246]
本稿では,分析者がドメイン知識を注入することで,解のサブグラフ空間を効果的に構築し,ネットワーク探索をガイドするフレームワークを提案する。このテクニックを反復的に適用することで、アナリストは、与えられたアプリケーションに対して最高のパフォーマンスのニューラルネットワークアーキテクチャに収束することができる。
論文参考訳（メタデータ） (2020-09-28T01:48:45Z)
Automatic Gesture Recognition in Robot-assisted Surgery with Reinforcement Learning and Tree Search [63.07088785532908]
共同手術におけるジェスチャー分割と分類のための強化学習と木探索に基づく枠組みを提案する。我々のフレームワークは,JIGSAWSデータセットのサチューリングタスクにおいて,精度,編集スコア,F1スコアの点で,既存の手法よりも一貫して優れています。
論文参考訳（メタデータ） (2020-02-20T13:12:38Z)

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。