論文の概要: Deep Learning for Precision Agriculture: Post-Spraying Evaluation and Deposition Estimation

• arxiv url: http://arxiv.org/abs/2409.16213v1
• Date: Tue, 24 Sep 2024 16:16:19 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-26 05:17:23.269926
• Title: Deep Learning for Precision Agriculture: Post-Spraying Evaluation and Deposition Estimation
• Title（参考訳）: 精密農業のための深層学習 : 散布後の評価と沈着推定
• Authors: Harry Rogers, Tahmina Zebin, Grzegorz Cielniak, Beatriz De La Iglesia, Ben Magri,
• Abstract要約: 我々は,従来の農法を必要とせず,散布後の精密散布システムを評価するためのXAIパイプラインを提案する。 開発されたシステムは、レタス、ニワトリ、メドウグラスなどの潜在的な標的を意味的に分類し、標的が噴霧されたかどうかを正しく識別することができる。
• 参考スコア（独自算出の注目度）: 5.971046215117033
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Precision spraying evaluation requires automation primarily in post-spraying imagery. In this paper we propose an eXplainable Artificial Intelligence (XAI) computer vision pipeline to evaluate a precision spraying system post-spraying without the need for traditional agricultural methods. The developed system can semantically segment potential targets such as lettuce, chickweed, and meadowgrass and correctly identify if targets have been sprayed. Furthermore, this pipeline evaluates using a domain-specific Weakly Supervised Deposition Estimation task, allowing for class-specific quantification of spray deposit weights in {\mu}L. Estimation of coverage rates of spray deposition in a class-wise manner allows for further understanding of effectiveness of precision spraying systems. Our study evaluates different Class Activation Mapping techniques, namely AblationCAM and ScoreCAM, to determine which is more effective and interpretable for these tasks. In the pipeline, inference-only feature fusion is used to allow for further interpretability and to enable the automation of precision spraying evaluation post-spray. Our findings indicate that a Fully Convolutional Network with an EfficientNet-B0 backbone and inference-only feature fusion achieves an average absolute difference in deposition values of 156.8 {\mu}L across three classes in our test set. The dataset curated in this paper is publicly available at https://github.com/Harry-Rogers/PSIE
• Abstract（参考訳）: 精密噴霧評価には, 主に噴霧後画像の自動化が必要である。 本稿では,従来の農法を必要とせず,噴霧後の精密噴霧システムを評価するために,eXplainable Artificial Intelligence (XAI) コンピュータビジョンパイプラインを提案する。 開発されたシステムは、レタス、ニワトリ、メドウグラスなどの潜在的な標的を意味的に分類し、標的が噴霧されたかどうかを正しく識別することができる。 さらに、このパイプラインは、ドメイン固有の弱監視沈着推定タスクを用いて評価し、クラス固有の噴霧沈着量の定量化を可能にする。 噴霧成膜率のクラスワイド推定により, 精密噴霧システムの有効性のさらなる把握が可能となる。 本研究では,AblationCAMとScoreCAMの異なるクラス活性化マッピング手法を評価し,これらの課題に対してより効果的かつ解釈可能なものを決定する。 パイプラインでは、推論のみの機能融合を使用して、さらなる解釈可能性を実現し、噴霧後の精密噴霧評価の自動化を可能にする。 提案手法は,Net-B0バックボーンと推論のみの機能融合を備えた完全畳み込みネットワークにおいて,テストセット内の3つのクラスで156.8 {\mu}Lの沈着値の平均絶対差が得られることを示す。 本論文でキュレートされたデータセットはhttps://github.com/Harry-Rogers/PSIEで公開されている。

関連論文リスト

• Vision-based Xylem Wetness Classification in Stem Water Potential Determination [8.597874067545233]
  この研究は、スコランダー圧力室を用いた茎検出とキシレム湿性分類の自動化に焦点を当てた。 目的は、茎の検出を洗練し、キシレムにおける水の出現をよりよく分類するためのコンピュータビジョンベースの方法を開発することである。 YOLOv8nによる学習ベース幹細胞検出とResNet50に基づく分類の組み合わせにより、トップ1の精度は80.98%に達した。
  論文  参考訳（メタデータ） (2024-09-24T19:24:04Z)
• 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)
• Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
  実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。 本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。 本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
  論文  参考訳（メタデータ） (2022-01-11T23:01:12Z)
• Less is More: Lighter and Faster Deep Neural Architecture for Tomato Leaf Disease Classification [0.36700088931938835]
  本研究は,トマト葉の病原体を検出するための,手軽な伝達学習に基づくアプローチを提案する。 効果的な前処理手法を用いて、照度補正による葉画像の高精細化を行い、分類を改良する。 提案アーキテクチャは99.30%の精度でモデルサイズ9.60MBと4.87M浮動小数点演算を実現している。
  論文  参考訳（メタデータ） (2021-09-06T12:14:02Z)
• DAAIN: Detection of Anomalous and Adversarial Input using Normalizing Flows [52.31831255787147]
  我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。 本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。 当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
  論文  参考訳（メタデータ） (2021-05-30T22:07:13Z)
• Detection of Adversarial Supports in Few-shot Classifiers Using Feature Preserving Autoencoders and Self-Similarity [89.26308254637702]
  敵対的なサポートセットを強調するための検出戦略を提案する。 我々は,特徴保存型オートエンコーダフィルタリングと,この検出を行うサポートセットの自己相似性の概念を利用する。 提案手法は攻撃非依存であり, 最善の知識まで, 数発分類器の検出を探索する最初の方法である。
  論文  参考訳（メタデータ） (2020-12-09T14:13:41Z)
• How Robust are Randomized Smoothing based Defenses to Data Poisoning? [66.80663779176979]
  我々は、トレーニングデータの品質の重要性を強調する堅牢な機械学習モデルに対して、これまで認識されていなかった脅威を提示します。 本稿では,二段階最適化に基づく新たなデータ中毒攻撃法を提案し,ロバストな分類器のロバスト性を保証する。 我々の攻撃は、被害者が最先端のロバストな訓練方法を用いて、ゼロからモデルを訓練しても効果的である。
  論文  参考訳（メタデータ） (2020-12-02T15:30:21Z)
• Deep Semi-supervised Knowledge Distillation for Overlapping Cervical Cell Instance Segmentation [54.49894381464853]
  本稿では, ラベル付きデータとラベルなしデータの両方を, 知識蒸留による精度向上に活用することを提案する。 摂動に敏感なサンプルマイニングを用いたマスク誘導型平均教師フレームワークを提案する。 実験の結果,ラベル付きデータのみから学習した教師付き手法と比較して,提案手法は性能を著しく向上することがわかった。
  論文  参考訳（メタデータ） (2020-07-21T13:27:09Z)
• Distilling Object Detectors with Task Adaptive Regularization [97.52935611385179]
  現在の最先端のオブジェクト検出器は高い計算コストを犠牲にしており、ローエンドデバイスへのデプロイが困難である。 より大規模な教師モデルから知識を伝達することで、より小さな学生ネットワークを訓練することを目的とした知識蒸留は、モデル小型化のための有望な解決策の1つである。
  論文  参考訳（メタデータ） (2020-06-23T15:58:22Z)

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。