論文の概要: Towards more efficient agricultural practices via transformer-based crop type classification

• arxiv url: http://arxiv.org/abs/2411.02627v1
• Date: Mon, 04 Nov 2024 21:38:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-06 14:59:02.282991
• Title: Towards more efficient agricultural practices via transformer-based crop type classification
• Title（参考訳）: 形質転換型作物型分類によるより効率的な農業実践を目指して
• Authors: E. Ulises Moya-Sánchez, Yazid S. Mikail, Daisy Nyang'anyi, Michael J. Smith, Isabella Smythe,
• Abstract要約: メキシコのセンチネル1号と2号の衛星画像から、作物を正確に分類することができる。 本稿では,メキシコのジャリスコにおいて,正確なマルチクラス作物分類を目標として,この手法をさらに発展させることを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Machine learning has great potential to increase crop production and resilience to climate change. Accurate maps of where crops are grown are a key input to a number of downstream policy and research applications. In this proposal, we present preliminary work showing that it is possible to accurately classify crops from time series derived from Sentinel 1 and 2 satellite imagery in Mexico using a pixel-based binary crop/non-crop time series transformer model. We also find preliminary evidence that meta-learning approaches supplemented with data from similar agro-ecological zones may improve model performance. Due to these promising results, we propose further development of this method with the goal of accurate multi-class crop classification in Jalisco, Mexico via meta-learning with a dataset comprising similar agro-ecological zones.
• Abstract（参考訳）: 機械学習は、作物の生産と気候変動に対するレジリエンスを高める大きな可能性を秘めている。 作物がどこで栽培されているかの正確な地図は、多くの下流政策や研究アプリケーションにとって重要な入力である。 本稿では,メキシコのセンチネル1号と2号の衛星画像から抽出した時系列から,画素ベースの2進作物・ノンクロップ時系列変換器モデルを用いて作物を正確に分類することが可能であることを示す。 また,類似のアグロ・エコロジーゾーンのデータで補足されたメタラーニングアプローチが,モデル性能を向上させる可能性があるという予備的証拠も見出した。 これらの有望な結果から,メキシコのジャリスコにおいて,類似のアグロ・エコロジーゾーンからなるデータセットを用いたメタラーニングを通じて,正確なマルチクラス作物分類を目標として,この手法をさらに発展させることを提案する。

関連論文リスト

• Generating Diverse Agricultural Data for Vision-Based Farming Applications [74.79409721178489]
  このモデルは, 植物の成長段階, 土壌条件の多様性, 照明条件の異なるランダム化フィールド配置をシミュレートすることができる。 我々のデータセットにはセマンティックラベル付き12,000の画像が含まれており、精密農業におけるコンピュータビジョンタスクの包括的なリソースを提供する。
  論文  参考訳（メタデータ） (2024-03-27T08:42:47Z)
• AGSPNet: A framework for parcel-scale crop fine-grained semantic change detection from UAV high-resolution imagery with agricultural geographic scene constraints [1.9151076515142376]
  本稿では,農業の地理的景観と農業用大規模制約付きSCDフレームワーク(AGSPNet)を提案する。 複雑な地理的景観における作物の複数の意味変化を包含する,農業モニタリング専用のUAV画像SCDデータセット(CSCD)を作成し,導入する。 以上の結果から,AGSPNet の収穫 SCD は,他の深層学習 SCD モデルよりも,量と品質の点で一貫して優れていた。
  論文  参考訳（メタデータ） (2024-01-11T20:47:28Z)
• Precision Agriculture: Crop Mapping using Machine Learning and Sentinel-2 Satellite Imagery [5.914742040076052]
  本研究では, 深層学習と画素ベース機械学習を用いて, 精密農業のためのラベンダーフィールドを正確に分別する。 我々の微調整最終モデルであるU-Netアーキテクチャは、Dice係数 0.8324 を達成することができる。
  論文  参考訳（メタデータ） (2023-11-25T20:26:11Z)
• Towards Global Crop Maps with Transfer Learning [0.0]
  ディープラーニングモデルは、大量の注釈付きデータを必要とします。 本研究では,大韓民国における水稲検出のための深層学習モデルをSentinel-1 VH-1時系列を用いて開発・訓練した。 本手法は,同じ作物の異なる地域での移動において優れた性能を示し,異なる地域での移動において,より有望な結果を示す。
  論文  参考訳（メタデータ） (2022-11-09T09:17:42Z)
• 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)
• 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)
• End-to-end deep learning for directly estimating grape yield from ground-based imagery [53.086864957064876]
  本研究は, ブドウ畑の収量推定に深層学習と併用した近位画像の応用を実証する。 オブジェクト検出、CNN回帰、トランスフォーマーモデルという3つのモデルアーキテクチャがテストされた。 本研究は,ブドウの収量予測における近位画像と深層学習の適用性を示した。
  論文  参考訳（メタデータ） (2022-08-04T01:34:46Z)
• Potato Crop Stress Identification in Aerial Images using Deep Learning-based Object Detection [60.83360138070649]
  本稿では, 深層ニューラルネットワークを用いたジャガイモの空中画像解析手法を提案する。 主な目的は、植物レベルでの健康作物とストレス作物の自動空間認識を実証することである。 実験により、フィールド画像中の健康植物とストレス植物を識別し、平均Dice係数0.74を達成できることを示した。
  論文  参考訳（メタデータ） (2021-06-14T21:57:40Z)
• 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)
• Two-View Fine-grained Classification of Plant Species [66.75915278733197]
  本研究では,2視点の葉のイメージ表現に基づく新しい手法と,植物種の粒度認識のための階層的分類戦略を提案する。 シームズ畳み込みニューラルネットワークに基づく深度測定は、多数のトレーニングサンプルへの依存を減らし、新しい植物種に拡張性を持たせるために用いられる。
  論文  参考訳（メタデータ） (2020-05-18T21:57:47Z)

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。