論文の概要: Deep Learning methodology for the identification of wood species using high-resolution macroscopic images

• arxiv url: http://arxiv.org/abs/2406.11772v1
• Date: Mon, 17 Jun 2024 17:31:57 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-18 13:23:59.845844
• Title: Deep Learning methodology for the identification of wood species using high-resolution macroscopic images
• Title（参考訳）: 高分解能マクロ画像を用いた木材種の同定のための深層学習手法
• Authors: David Herrera-Poyatos, Andrés Herrera-Poyatos, Rosana Montes, Paloma de Palacios, Luis G. Esteban, Alberto García Iruela, Francisco García Fernández, Francisco Herrera,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 6.510691480587631
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Significant advancements in the field of wood species identification are needed worldwide to support sustainable timber trade. In this work we contribute to automate the identification of wood species via high-resolution macroscopic images of timber. The main challenge of this problem is that fine-grained patterns in timber are crucial in order to accurately identify wood species, and these patterns are not properly learned by traditional convolutional neural networks (CNNs) trained on low/medium resolution images. We propose a Timber Deep Learning Identification with Patch-based Inference Voting methodology, abbreviated TDLI-PIV methodology. Our proposal exploits the concept of patching and the availability of high-resolution macroscopic images of timber in order to overcome the inherent challenges that CNNs face in timber identification. The TDLI-PIV methodology is able to capture fine-grained patterns in timber and, moreover, boosts robustness and prediction accuracy via a collaborative voting inference process. In this work we also introduce a new data set of marcroscopic images of timber, called GOIMAI-Phase-I, which has been obtained using optical magnification in order to capture fine-grained details, which contrasts to the other datasets that are publicly available. More concretely, images in GOIMAI-Phase-I are taken with a smartphone with a 24x magnifying lens attached to the camera. Our data set contains 2120 images of timber and covers 37 legally protected wood species. Our experiments have assessed the performance of the TDLI-PIV methodology, involving the comparison with other methodologies available in the literature, exploration of data augmentation methods and the effect that the dataset size has on the accuracy of TDLI-PIV.
• Abstract（参考訳）: 持続可能な木材貿易を支援するために, 木種識別の分野における重要な進歩が必要である。 本研究は,木材の高分解能マクロ画像による木材の識別の自動化に寄与する。 この問題の主な課題は、木材の微細なパターンが木材種を正確に識別するために不可欠であり、これらのパターンは低・ナトリウム解像度の画像で訓練された伝統的な畳み込みニューラルネットワーク(CNN)によって適切に学習されていないことである。 本稿では,TDLI-PIV法を省略した,パッチに基づく推論投票手法を用いたTimber Deep Learning Identificationを提案する。 本提案は,CNNが木材識別において直面する固有の課題を克服するために,木質のパッチングと高分解能マクロ画像の利用可能性を利用したものである。 TDLI-PIV法は、木材中のきめ細かいパターンを捉えることができ、さらに、協調投票推論プロセスを通じて堅牢性と予測精度を高めることができる。 本研究では, GOIMAI-Phase-Iという, 木質のマルクロスコープ画像の新たなデータセットも導入した。 より具体的には、GOIMAI-Phase-Iの画像は、カメラに24倍の拡大レンズを装着したスマートフォンで撮影される。 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。 本研究では,TDLI-PIV法の性能評価を行い,文献で利用可能な他の手法との比較,データ拡張手法の探索,データセットサイズがTDLI-PIVの精度に与える影響について検討した。

関連論文リスト

• WPS-Dataset: A benchmark for wood plate segmentation in bark removal processing [4.266195144658595]
  本研究では,WPSデータセットと呼ばれる樹皮除去処理における木材板のセグメンテーションのベンチマークを提案する。 我々は、画像取得装置を設計し、それを樹皮除去装置に組み込んで、実際の産業環境で画像をキャプチャした。 モデルはトレーニング中にWPSデータセットの特徴を効果的に学習し理解し、木材板分割作業において高い性能と精度をもたらす。
  論文  参考訳（メタデータ） (2024-04-17T03:51:24Z)
• Advanced wood species identification based on multiple anatomical sections and using deep feature transfer and fusion [8.844437603161198]
  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。
  論文  参考訳（メタデータ） (2024-04-12T16:30:15Z)
• COOD: Combined out-of-distribution detection using multiple measures for anomaly & novel class detection in large-scale hierarchical classification [0.0]
  異常および新しいクラスであるOOD(High-perform Out-of-distribution)の検出は、分類モデルの実用上重要な前提条件である。 教師付きモデルを用いて,個々のOOD測度を1つの組み合わせOOD測度に組み合わせる枠組みを提案する。 以上の結果から,COODはTPR@1%のFPRにおいて,最先端のOOD対策を含む個人よりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2024-03-11T16:26:35Z)
• Exploring Large Language Models for Multi-Modal Out-of-Distribution Detection [67.68030805755679]
  大きな言語モデル(LLM)は豊富な世界の知識をエンコードし、クラスごとに記述的な特徴を生成するよう促すことができる。 本稿では,LLMの選択的生成によるOOD検出性能向上のための世界知識の適用を提案する。
  論文  参考訳（メタデータ） (2023-10-12T04:14:28Z)
• From Global to Local: Multi-scale Out-of-distribution Detection [129.37607313927458]
  アウト・オブ・ディストリビューション(OOD)検出は、イン・ディストリビューション(ID)トレーニングプロセス中にラベルが見られない未知のデータを検出することを目的としている。 近年の表現学習の進歩により,距離に基づくOOD検出がもたらされる。 グローバルな視覚情報と局所的な情報の両方を活用する第1のフレームワークであるマルチスケールOOD検出(MODE)を提案する。
  論文  参考訳（メタデータ） (2023-08-20T11:56:25Z)
• 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)
• Parents and Children: Distinguishing Multimodal DeepFakes from Natural Images [60.34381768479834]
  近年の拡散モデルの発展により、自然言語のテキストプロンプトから現実的なディープフェイクの生成が可能になった。 我々は、最先端拡散モデルにより生成されたディープフェイク検出に関する体系的研究を開拓した。
  論文  参考訳（メタデータ） (2023-04-02T10:25:09Z)
• Rethinking Out-of-distribution (OOD) Detection: Masked Image Modeling is All You Need [52.88953913542445]
  簡単な再構築手法を用いることで,OOD検出の性能が大幅に向上する可能性が示唆された。 我々は、OOD検出フレームワーク(MOOD)のプリテキストタスクとして、マスケ画像モデリング(Masked Image Modeling)を採用する。
  論文  参考訳（メタデータ） (2023-02-06T08:24:41Z)
• 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)
• Weakly Supervised Semantic Segmentation of Remote Sensing Images for Tree Species Classification Based on Explanation Methods [1.2074552857379273]
  画像レベルラベルのみを用いた弱教師付きセマンティックセグメンテーションにおける説明手法の有効性を検討する。 実験結果から, 解析手法は木種の同定に極めて有用であることが示唆された。
  論文  参考訳（メタデータ） (2022-01-19T09:32:48Z)
• Country-wide Retrieval of Forest Structure From Optical and SAR Satellite Imagery With Bayesian Deep Learning [74.94436509364554]
  本研究では,10mの解像度で森林構造変数を高密度に推定するベイズ深層学習手法を提案する。 本手法は,Sentinel-2光画像とSentinel-1合成開口レーダ画像を5種類の森林構造変数のマップに変換する。 ノルウェーを横断する41の空中レーザー走査ミッションの基準データに基づいて、我々のモデルを訓練し、テストする。
  論文  参考訳（メタデータ） (2021-11-25T16:21:28Z)

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。