論文の概要: Leaf Angle Estimation using Mask R-CNN and LETR Vision Transformer

• arxiv url: http://arxiv.org/abs/2408.00749v1
• Date: Thu, 1 Aug 2024 17:52:10 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-04 19:37:48.240319
• Title: Leaf Angle Estimation using Mask R-CNN and LETR Vision Transformer
• Title（参考訳）: Mask R-CNN と LETR Vision Transformer を用いた葉角推定
• Authors: Venkat Margapuri, Prapti Thapaliya, Trevor Rife,
• Abstract要約: 現代の研究では、高収量作物品種と直立葉角の植物との間に高い相関関係が示されている。 直立葉角を持つ植物は直立葉角を持たない植物よりも多くの光を遮断し、光合成の速度が高まることが観察された。 植物科学者や育種者は、現場の植物パラメータを直接測定できるツール、即ち現場での表現型化の恩恵を受ける。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modern day studies show a high degree of correlation between high yielding crop varieties and plants with upright leaf angles. It is observed that plants with upright leaf angles intercept more light than those without upright leaf angles, leading to a higher rate of photosynthesis. Plant scientists and breeders benefit from tools that can directly measure plant parameters in the field i.e. on-site phenotyping. The estimation of leaf angles by manual means in a field setting is tedious and cumbersome. We mitigate the tedium using a combination of the Mask R-CNN instance segmentation neural network, and Line Segment Transformer (LETR), a vision transformer. The proposed Computer Vision (CV) pipeline is applied on two image datasets, Summer 2015-Ames ULA and Summer 2015- Ames MLA, with a combined total of 1,827 plant images collected in the field using FieldBook, an Android application aimed at on-site phenotyping. The leaf angles estimated by the proposed pipeline on the image datasets are compared to two independent manual measurements using ImageJ, a Java-based image processing program developed at the National Institutes of Health and the Laboratory for Optical and Computational Instrumentation. The results, when compared for similarity using the Cosine Similarity measure, exhibit 0.98 similarity scores on both independent measurements of Summer 2015-Ames ULA and Summer 2015-Ames MLA image datasets, demonstrating the feasibility of the proposed pipeline for on-site measurement of leaf angles.
• Abstract（参考訳）: 現代の研究では、高収量作物品種と直立葉角の植物との間に高い相関関係が示されている。 直立葉角を持つ植物は直立葉角を持たない植物よりも多くの光を遮断し、光合成の速度が高まることが観察された。 植物科学者や育種者は、現場の植物パラメータを直接測定できるツール、即ち現場での表現型化の恩恵を受ける。 フィールド設定における手動手段による葉角の推定は面倒で面倒である。 我々は、Mask R-CNNインスタンスセグメンテーションニューラルネットワークとビジョントランスであるLine Segment Transformer(LETR)を組み合わせて、テジウムを緩和する。 提案されたComputer Vision(CV)パイプラインは、2015年夏-Ames ULAと2015年夏-Ames MLAの2つのイメージデータセットに適用される。 提案した画像データセット上の葉の角度を,国立衛生研究所と光学・計算機器研究所で開発されたJavaベースの画像処理プログラムであるImageJを用いて,2つの独立した手動計測値と比較した。 その結果、コサイン類似度測定を用いて類似度を比較すると、2015年夏-Ames ULAと2015年夏-Ames MLAの画像データセットの双方の独立測定で0.98の類似度スコアを示し、葉の角度のオンサイト測定に提案されたパイプラインの有効性を実証した。

関連論文リスト

• LAESI: Leaf Area Estimation with Synthetic Imagery [13.145253458335464]
  LAESIは合成葉画像10万枚をミリ紙上に合成した合成葉データである。 このデータセットは、ブナとオークの葉を対象とした葉の形態解析のリソースを提供する。 葉の表面積予測とセマンティックセグメンテーションのための機械学習モデルを訓練することにより,データセットの適用性を評価する。
  論文  参考訳（メタデータ） (2024-03-31T07:56:07Z)
• Adaptive Fusion of Multi-view Remote Sensing data for Optimal Sub-field Crop Yield Prediction [24.995959334158986]
  本研究では,異なる作物(スギ,コムギ,ラプシード)と地域(アルジャンティナ,ウルグアイ,ドイツ)の収量を予測するための,新しい多視点学習手法を提案する。 我々の入力データには、センチネル2衛星からのマルチスペクトル光学画像と、土壌特性や地形情報などの静的特徴を補完して、作物の生育期における動的特徴として気象データが含まれている。 データを効果的に融合するために、専用ビューエンコーダとGated Unit (GU)モジュールからなるMulti-view Gated Fusion (MVGF)モデルを導入する。 MVGFモデルは10m分解能でサブフィールドレベルで訓練される
  論文  参考訳（メタデータ） (2024-01-22T11:01:52Z)
• Revisiting the Evaluation of Image Synthesis with GANs [55.72247435112475]
  本研究では, 合成性能の評価に関する実証的研究を行い, 生成モデルの代表としてGAN(Generative Adversarial Network)を用いた。 特に、表現空間におけるデータポイントの表現方法、選択したサンプルを用いた公平距離の計算方法、各集合から使用可能なインスタンス数など、さまざまな要素の詳細な分析を行う。
  論文  参考訳（メタデータ） (2023-04-04T17:54:32Z)
• Inside Out: Transforming Images of Lab-Grown Plants for Machine Learning Applications in Agriculture [0.0]
  我々は,室内の植物像をフィールド画像として解釈するために,コントラッシブ・アンペア変換 (CUT) 生成敵ネットワーク (GAN) を用いる。 我々は,1つの植物のみを含むイメージを翻訳するようにネットワークを訓練する一方で,複数の植物野画像を生成するために容易に拡張可能であることを示す。 また, 人工マルチプラント画像を用いて, いくつかのYoloV5ナノオブジェクト検出モデルを訓練し, 植物検出を行う。
  論文  参考訳（メタデータ） (2022-11-05T20:51:45Z)
• ViTAEv2: Vision Transformer Advanced by Exploring Inductive Bias for Image Recognition and Beyond [76.35955924137986]
  我々は、内在性IBを畳み込み、すなわちViTAEから探索するビジョントランスフォーマーを提案する。 ViTAEはいくつかの空間ピラミッド縮小モジュールを備えており、入力イメージをリッチなマルチスケールコンテキストでトークンに埋め込む。 我々は、ImageNet検証セット上で88.5%のTop-1分類精度と、ImageNet実検証セット上で最高の91.2%のTop-1分類精度を得る。
  論文  参考訳（メタデータ） (2022-02-21T10:40:05Z)
• A Deep Learning Generative Model Approach for Image Synthesis of Plant Leaves [62.997667081978825]
  我々は,高度深層学習(DL)技術を用いて,人工葉画像の自動生成を行う。 我々は、現代の作物管理のためのAIアプリケーションのためのトレーニングサンプルのソースを処分することを目指している。
  論文  参考訳（メタデータ） (2021-11-05T10:53:35Z)
• Multi-Domain Few-Shot Learning and Dataset for Agricultural Applications [0.0]
  そこで本研究では,いくつかのサンプルから異なる害虫,植物,その病原体を自動分類する手法を提案する。 埋め込みを生成する機能抽出器を学習し、Transformerを使って埋め込みを更新する。 モデル全体を包括的に解析するために42の実験を行い、画像分類ベンチマークで最大14%と24%のパフォーマンス向上を達成した。
  論文  参考訳（メタデータ） (2021-09-21T04:20:18Z)
• Visual Saliency Transformer [127.33678448761599]
  RGBとRGB-Dの液状物体検出(SOD)のための、純粋な変圧器であるVST(Visual Saliency Transformer)に基づく新しい統一モデルを開発しました。 イメージパッチを入力として取り、トランスフォーマーを利用してイメージパッチ間のグローバルコンテキストを伝搬する。 実験結果から,RGBとRGB-D SODのベンチマークデータセットにおいて,本モデルが既存の最新結果を上回っていることが示された。
  論文  参考訳（メタデータ） (2021-04-25T08:24:06Z)
• A CNN Approach to Simultaneously Count Plants and Detect Plantation-Rows from UAV Imagery [56.10033255997329]
  畳み込みニューラルネットワーク(CNN)を用いた新しい深層学習手法を提案する。 高度に乾燥したプランテーション構成を考慮した植物を数えながら、同時にプランテーション・ロウを検出し、配置する。 提案手法は、異なる種類の作物のUAV画像において、植物と植物をカウントおよびジオロケートするための最先端の性能を達成した。
  論文  参考訳（メタデータ） (2020-12-31T18:51:17Z)
• Estimating Crop Primary Productivity with Sentinel-2 and Landsat 8 using Machine Learning Methods Trained with Radiative Transfer Simulations [58.17039841385472]
  我々は,機械モデリングと衛星データ利用の並列化を活用し,作物生産性の高度モニタリングを行う。 本モデルでは, 地域情報を使用しなくても, 各種C3作物の種類, 環境条件の総合的生産性を推定することに成功した。 これは、現在の地球観測クラウドコンピューティングプラットフォームの助けを借りて、新しい衛星センサーから作物の生産性をグローバルにマップする可能性を強調しています。
  論文  参考訳（メタデータ） (2020-12-07T16:23:13Z)
• Scalable learning for bridging the species gap in image-based plant phenotyping [2.208242292882514]
  ディープラーニング(データ収集、注釈付け、トレーニング)を適用する従来のパラダイムは、イメージベースの植物表現には適用できない。 データコストには、物理的サンプルの育成、イメージングとラベル付けが含まれる。 モデル性能は、各植物種のドメイン間の種間ギャップによって影響を受ける。
  論文  参考訳（メタデータ） (2020-03-24T10:26:40Z)

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。