論文の概要: Interactive Image-Based Aphid Counting in Yellow Water Traps under Stirring Actions
- arxiv url: http://arxiv.org/abs/2411.10357v1
- Date: Fri, 15 Nov 2024 17:06:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-18 15:38:00.277293
- Title: Interactive Image-Based Aphid Counting in Yellow Water Traps under Stirring Actions
- Title（参考訳）: スターリング動作下におけるイエローウォータートラップにおけるインタラクティブ画像ベースアフィド計数
- Authors: Xumin Gao, Mark Stevens, Grzegorz Cielniak,
- Abstract要約: 本稿では,対話的発振動作による新しいアフィドカウント法を提案する。
我々は,イエローウォータートラップにおけるアフィドの分布を変化させるために,インタラクティブなかき混ぜを用いている。
また,計数結果の信頼性を評価するために,計数信頼度評価システムを提案する。
- 参考スコア（独自算出の注目度）: 5.905721043072562
- License:
- Abstract: The current vision-based aphid counting methods in water traps suffer from undercounts caused by occlusions and low visibility arising from dense aggregation of insects and other objects. To address this problem, we propose a novel aphid counting method through interactive stirring actions. We use interactive stirring to alter the distribution of aphids in the yellow water trap and capture a sequence of images which are then used for aphid detection and counting through an optimized small object detection network based on Yolov5. We also propose a counting confidence evaluation system to evaluate the confidence of count-ing results. The final counting result is a weighted sum of the counting results from all sequence images based on the counting confidence. Experimental results show that our proposed aphid detection network significantly outperforms the original Yolov5, with improvements of 33.9% in AP@0.5 and 26.9% in AP@[0.5:0.95] on the aphid test set. In addition, the aphid counting test results using our proposed counting confidence evaluation system show significant improvements over the static counting method, closely aligning with manual counting results.
- Abstract（参考訳）: 水のトラップにおける現在の視覚に基づくアフィド計数法は、昆虫や他の物体の密集による閉塞や視界の低下に起因する下水道に悩まされている。
この問題に対処するために,対話的かき混ぜ動作による新しいアフィドカウント法を提案する。
そこで我々は,イエローウォータートラップ内のアフィドの分布を変えて,アフィド検出とヨーロフ5に基づく小型物体検出ネットワークを経由した画像のシーケンスを解析した。
また,計数結果の信頼性を評価するために,計数信頼度評価システムを提案する。
最後の計数結果は、計数信頼度に基づく全シーケンス画像からの計数結果の重み付け和である。
実験の結果,提案したアフィド検出ネットワークは,元のYolov5よりも優れ,AP@0.5では33.9%,AP@[0.5:0.95]では26.9%向上した。
また,提案手法を用いたアフィド計数試験の結果は,手動計数結果と密接に一致して,静的計数法よりも大幅に改善されている。
関連論文リスト
- Semiparametric conformal prediction [79.6147286161434]
リスクに敏感なアプリケーションは、複数の、潜在的に相関したターゲット変数に対して、よく校正された予測セットを必要とする。
スコアをランダムなベクトルとして扱い、それらの連接関係構造を考慮した予測セットを構築することを目的とする。
実世界のレグレッション問題に対して,所望のカバレッジと競争効率について報告する。
論文 参考訳（メタデータ） (2024-11-04T14:29:02Z) - Dual Adversarial Resilience for Collaborating Robust Underwater Image
Enhancement and Perception [54.672052775549]
本研究では,水中画像の強調と検出を行うために,CARNetと呼ばれる協調的対向レジリエンスネットワークを導入する。
本稿では,ネットワークが様々な種類の攻撃を識別・除去できるように,視覚駆動型と知覚駆動型の両方による同時攻撃訓練戦略を提案する。
実験により,提案手法は画像の高画質化を図り,最先端の手法よりも平均6.71%高い検出精度が得られた。
論文 参考訳（メタデータ） (2023-09-03T06:52:05Z) - Advancements in Repetitive Action Counting: Joint-Based PoseRAC Model
With Improved Performance [10.38419878759364]
反復カウント(RepCount)は、フィットネストラッキングやリハビリテーションなどの様々な応用において重要である。
以前はレッドグリーン・アンド・ブルー(RGB)フレームとボディポーズのランドマークの推定に頼っていた。
本稿では,これらの課題に対処し,最先端のRepCount法よりも優れた結果を得るために,ボディポーズのランドマークとジョイントアングルを統合した。
論文 参考訳（メタデータ） (2023-08-15T16:54:26Z) - Aphid Cluster Recognition and Detection in the Wild Using Deep Learning
Models [17.65292847038642]
アフィドの寄生は作物生産、農村社会、世界の食料安全保障に重大な脅威をもたらす。
本稿では,アフィドクラスタの検出にディープラーニングモデルを用いることに主眼を置いている。
そこで本研究では,アフィドクラスターの検出により感染レベルを推定する手法を提案する。
論文 参考訳（メタデータ） (2023-08-10T23:53:07Z) - Advancing Early Detection of Virus Yellows: Developing a Hybrid
Convolutional Neural Network for Automatic Aphid Counting in Sugar Beet
Fields [0.6013413676007069]
アフィドは、サトウキビ畑でウイルスイエローを伝達する効率的なベクターである。
手作業によるアフィドの数え方は、労働集約的で時間を要する。
本稿では,検出ネットワークと密度マップ推定ネットワークを統合したハイブリッド自動アフィドカウントネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2023-08-09T23:36:03Z) - A New Dataset and Comparative Study for Aphid Cluster Detection [17.65292847038642]
アフィドは作物、農村の家族、そして世界の食料安全保障に対する主要な脅威の1つである。
アフィドの感染を正確に特定し レベルを推定することは 農薬の正確な局所的応用に 不可欠です
我々は,ソリガムフィールドで何百万枚もの画像を撮影し,手動でアフィドを含む5,447枚の画像を選択し,画像中の各アフィドクラスタに注釈を付けた。
論文 参考訳（メタデータ） (2023-07-12T05:49:21Z) - Focus for Free in Density-Based Counting [56.961229110268036]
利用可能なポイントアノテーションを再利用して、カウント性能を向上させる2つの方法を紹介します。
1つ目は、ポイントアノテーションを利用して、入力画像と密度画像の両方で隠蔽されたオブジェクトをシミュレートするカウント固有の拡張である。
第2の方法である前景蒸留は点アノテーションから前景マスクを生成し,黒色背景を持つ画像上で補助的ネットワークを訓練する。
論文 参考訳（メタデータ） (2023-06-08T11:54:37Z) - Mutual Wasserstein Discrepancy Minimization for Sequential
Recommendation [82.0801585843835]
逐次リコメンデーションのためのMutual WasserStein差分最小化MSteinに基づく新しい自己教師型学習フレームワークを提案する。
また,ワッサーシュタイン離散度測定に基づく新しい学習損失を提案する。
論文 参考訳（メタデータ） (2023-01-28T13:38:48Z) - 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) - (Certified!!) Adversarial Robustness for Free! [116.6052628829344]
逆方向の摂動が0.5の2ノルム以内であることに制約された場合,ImageNetでは71%の精度が証明された。
これらの結果は,モデルパラメータの微調整や再学習を必要とせず,事前学習した拡散モデルと画像分類器のみを用いて得られる。
論文 参考訳（メタデータ） (2022-06-21T17:27:27Z) - Detecting Patch Adversarial Attacks with Image Residuals [9.169947558498535]
識別器は、クリーンサンプルと逆サンプルを区別するために訓練される。
得られた残基が敵攻撃のデジタル指紋として機能することを示す。
その結果,提案手法は従来見つからなかった,より強力な攻撃に対して一般化可能であることがわかった。
論文 参考訳（メタデータ） (2020-02-28T01:28:22Z)
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。