論文の概要: RAFA-Net: Region Attention Network For Food Items And Agricultural Stress Recognition

• arxiv url: http://arxiv.org/abs/2410.12718v1
• Date: Wed, 16 Oct 2024 16:28:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-17 13:42:05.090984
• Title: RAFA-Net: Region Attention Network For Food Items And Agricultural Stress Recognition
• Title（参考訳）: RAFA-Net:食品の地域意識ネットワークと農業ストレス認識
• Authors: Asish Bera, Ondrej Krejcar, Debotosh Bhattacharjee,
• Abstract要約: 本研究では、入力画像内の異なる領域間の相関関係を構築することにより、長距離依存をモデル化する領域アテンションスキームを提案する。 提案する食品の地域意識ネットワークとRAFA-Netと呼ばれる農業ストレス認識手法は,3つの食品データセットを用いて実験されている。 RAFA-Netの上位1つのアキュラシーは、それぞれUECFood-100、UECFood-256、MAFood-121データセットで91.69%、91.56%、96.97%である。
• 参考スコア（独自算出の注目度）: 18.77864122988639
• License:
• Abstract: Deep Convolutional Neural Networks (CNNs) have facilitated remarkable success in recognizing various food items and agricultural stress. A decent performance boost has been witnessed in solving the agro-food challenges by mining and analyzing of region-based partial feature descriptors. Also, computationally expensive ensemble learning schemes using multiple CNNs have been studied in earlier works. This work proposes a region attention scheme for modelling long-range dependencies by building a correlation among different regions within an input image. The attention method enhances feature representation by learning the usefulness of context information from complementary regions. Spatial pyramidal pooling and average pooling pair aggregate partial descriptors into a holistic representation. Both pooling methods establish spatial and channel-wise relationships without incurring extra parameters. A context gating scheme is applied to refine the descriptiveness of weighted attentional features, which is relevant for classification. The proposed Region Attention network for Food items and Agricultural stress recognition method, dubbed RAFA-Net, has been experimented on three public food datasets, and has achieved state-of-the-art performances with distinct margins. The highest top-1 accuracies of RAFA-Net are 91.69%, 91.56%, and 96.97% on the UECFood-100, UECFood-256, and MAFood-121 datasets, respectively. In addition, better accuracies have been achieved on two benchmark agricultural stress datasets. The best top-1 accuracies on the Insect Pest (IP-102) and PlantDoc-27 plant disease datasets are 92.36%, and 85.54%, respectively; implying RAFA-Net's generalization capability.
• Abstract（参考訳）: 深層畳み込みニューラルネットワーク(Deep Convolutional Neural Networks, CNN)は、様々な食品や農業のストレスを認識する上で、顕著な成功を収めている。 地域ベースの部分的特徴記述子のマイニングと分析によって、アグロフードの課題を解決する上で、まともなパフォーマンス向上が見られた。 また,複数のCNNを用いた計算コストのかかるアンサンブル学習スキームも研究されている。 本研究では、入力画像内の異なる領域間の相関関係を構築することにより、長距離依存をモデル化する領域アテンションスキームを提案する。 本手法は,補完領域からコンテキスト情報の有用性を学習することで特徴表現を向上させる。 空間ピラミッドプールと平均プールペア部分記述子を総体表現に集約する。 両方のプール法は、余分なパラメータを発生させることなく、空間的およびチャネル的関係を確立する。 重み付けされた注意特徴の記述性を洗練するために、文脈ゲーティングスキームを適用する。 提案する食品の地域意識ネットワークと,RAFA-Netと呼ばれる農業ストレス認識手法は,3つの公開食品データセットを用いて実験され,それぞれ異なるマージンで最先端のパフォーマンスを達成している。 RAFA-Netの上位1つのアキュラシーは、それぞれUECFood-100、UECFood-256、MAFood-121データセットで91.69%、91.56%、96.97%である。 さらに、2つのベンチマーク農業ストレスデータセットにおいて、より良い精度が達成されている。 Insect Pest (IP-102) と PlantDoc-27 の植物病データセットは 92.36% と 85.54% であり、RAFA-Net の一般化能力を示している。

関連論文リスト

• GCAM: Gaussian and causal-attention model of food fine-grained recognition [5.198198193921202]
  本稿では,細粒度物体認識のためのガウス的・因果的アテンションモデルを提案する。 不均一なデータ分布から生じるデータドリフトに対処するために、我々は反実的推論アプローチを採用する。 実験により,GCAMはETH-FOOD101, UECFOOD256, Vireo-FOOD172データセットの最先端手法を上回ることがわかった。
  論文  参考訳（メタデータ） (2024-03-18T03:39:54Z)
• Trust your Good Friends: Source-free Domain Adaptation by Reciprocal Neighborhood Clustering [50.46892302138662]
  我々は、ソースデータがない場合に、ソース事前学習されたモデルをターゲット領域に適応させる、ソースフリー領域適応問題に対処する。 提案手法は,ソースドメイン分類器と一致しない可能性のあるターゲットデータが,依然として明確なクラスタを形成しているという観測に基づいている。 本研究では, この地域構造を, 地域住民, 相互隣人, 及び拡張近所を考慮し, 効率的に把握できることを実証する。
  論文  参考訳（メタデータ） (2023-09-01T15:31:18Z)
• HarvestNet: A Dataset for Detecting Smallholder Farming Activity Using Harvest Piles and Remote Sensing [50.4506590177605]
  HarvestNetは、2020-2023年のエチオピアのティグレイとアムハラの農場の存在をマッピングするためのデータセットである。 本研究は,多くの小作システムの特徴ある収穫杭の検出に基づく新しい手法を提案する。 本研究は, 農作物のリモートセンシングが, 食品の安全地帯において, よりタイムリーかつ正確な農地評価に寄与することが示唆された。
  論文  参考訳（メタデータ） (2023-08-23T11:03:28Z)
• A Coarse-to-Fine Approach for Urban Land Use Mapping Based on Multisource Geospatial Data [4.2968261363970095]
  本稿では,パーセルレベルの都市土地利用マッピングのための機械学習に基づくアプローチを提案する。 まず、道路網から生成された区画に基づいて、都市をビルトアップと非ビルトアップに分割する。 次に,異なる地域におけるパーセルの分類戦略を採用し,最終的に分類結果を統合された土地利用地図に組み合わせた。
  論文  参考訳（メタデータ） (2022-08-18T13:30:56Z)
• Mining Discriminative Food Regions for Accurate Food Recognition [16.78437844398436]
  本稿では,入力画像の分類の精度を一次ネットワークが維持する新しいネットワークアーキテクチャを提案する。 補助ネットワークは、識別食品地域を敵対的にマイニングし、地域ネットワークは、その結果のマイニング地域を分類する。 提案アーキテクチャは、PAR-Netと表現され、エンドツーエンドのトレーニングが可能で、オンライン方式で識別領域をハイライトする。
  論文  参考訳（メタデータ） (2022-07-08T05:09:24Z)
• Gait Recognition in the Wild: A Large-scale Benchmark and NAS-based Baseline [95.88825497452716]
  歩行ベンチマークにより、研究コミュニティは高性能歩行認識システムの訓練と評価を行うことができる。 GREWは、野生における歩行認識のための最初の大規模データセットである。 SPOSGaitはNASベースの最初の歩行認識モデルである。
  論文  参考訳（メタデータ） (2022-05-05T14:57:39Z)
• Collaborative Training between Region Proposal Localization and Classification for Domain Adaptive Object Detection [121.28769542994664]
  オブジェクト検出のためのドメイン適応は、ラベル付きデータセットからラベル付きデータセットへの検出を適応させようとする。 本稿では,地域提案ネットワーク (RPN) と地域提案分類器 (RPC) が,大きなドメインギャップに直面した場合の転送可能性が大きく異なることを初めて明らかにする。
  論文  参考訳（メタデータ） (2020-09-17T07:39:52Z)
• ISIA Food-500: A Dataset for Large-Scale Food Recognition via Stacked Global-Local Attention Network [50.7720194859196]
  ウィキペディアのリストから500のカテゴリと399,726の画像を含むデータセットISIA Food-500を紹介する。 このデータセットは、既存の一般的なベンチマークデータセットをカテゴリカバレッジとデータボリュームで上回る。 食品認識のための2つのサブネットワークからなるグローバルローカルアテンションネットワークを提案する。
  論文  参考訳（メタデータ） (2020-08-13T02:48:27Z)
• Cross-Domain Facial Expression Recognition: A Unified Evaluation Benchmark and Adversarial Graph Learning [85.6386289476598]
  我々は,クロスドメイン全体的特徴共適応のための新しい逆グラフ表現適応(AGRA)フレームワークを開発した。 我々は,いくつかの一般的なベンチマークで広範囲かつ公平な評価を行い,提案したAGRAフレームワークが従来の最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-08-03T15:00:31Z)

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。