Fugu-MT 論文翻訳(概要): Machine Learning Approaches on Crop Pattern Recognition a Comparative Analysis

論文の概要: Machine Learning Approaches on Crop Pattern Recognition a Comparative Analysis

arxiv url: http://arxiv.org/abs/2411.12667v1
Date: Tue, 19 Nov 2024 17:19:20 GMT
ステータス: 翻訳完了
システム内更新日: 2024-11-20 13:37:37.788621
Title: Machine Learning Approaches on Crop Pattern Recognition a Comparative Analysis
Title（参考訳）: 作物パターン認識における機械学習のアプローチ : 比較分析
Authors: Kazi Hasibul Kabir, Md. Zahiruddin Aqib, Sharmin Sultana, Shamim Akhter,
Abstract要約: 収穫パターンの生成に時系列リモートセンシングデータを用いた。分類アルゴリズムは、作物のパターンと地図化された農地の分類に使用される。本稿では,Deep Neural Network(DNN)に基づく分類を提案し,作物パターン認識の性能向上を図る。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: Monitoring agricultural activities is important to ensure food security. Remote sensing plays a significant role for large-scale continuous monitoring of cultivation activities. Time series remote sensing data were used for the generation of the cropping pattern. Classification algorithms are used to classify crop patterns and mapped agriculture land used. Some conventional classification methods including support vector machine (SVM) and decision trees were applied for crop pattern recognition. However, in this paper, we are proposing Deep Neural Network (DNN) based classification to improve the performance of crop pattern recognition and make a comparative analysis with two (2) other machine learning approaches including Naive Bayes and Random Forest.
Abstract（参考訳）: 農業活動の監視は、食料の安全を確保するために重要である。リモートセンシングは耕作活動の大規模連続モニタリングにおいて重要な役割を担っている。収穫パターンの生成に時系列リモートセンシングデータを用いた。分類アルゴリズムは、作物のパターンと地図化された農地の分類に使用される。支持ベクトルマシン(SVM)や決定木などの従来の分類法を作物パターン認識に適用した。しかし,本稿では,Deep Neural Network (DNN) に基づく分類を提案し,作物パターン認識の性能向上と,ネイブベイズやランダムフォレストといった他の2つの機械学習手法との比較分析を行っている。

関連論文リスト

Automated Classification of Dry Bean Varieties Using XGBoost and SVM Models [0.0]
本稿では,機械学習モデルを用いた7種類の乾燥豆の自動分類について比較検討する。 XGBoostとSVMのモデルはそれぞれ94.00%と94.39%の正確な分類率を達成した。本研究は, 種子品質制御と収量最適化を効果的に支援できることを実証し, 精密農業への取り組みの活発化に寄与する。
論文参考訳（メタデータ） (2024-08-02T13:05:33Z)
Explainable AI in Grassland Monitoring: Enhancing Model Performance and Domain Adaptability [0.6131022957085438]
草原は高い生物多様性と複数の生態系サービスを提供する能力で知られている。指標植物の自動識別の課題は、大規模な草地モニタリングの鍵となる障害である。本稿では,移動学習と草地モニタリングへのXAIアプローチを中心に,後者の2つの課題を考察する。
論文参考訳（メタデータ） (2023-12-13T10:17:48Z)
Food Image Classification and Segmentation with Attention-based Multiple Instance Learning [51.279800092581844]
本稿では,食品画像分類とセマンティックセグメンテーションモデルを訓練するための弱教師付き方法論を提案する。提案手法は、注意に基づくメカニズムと組み合わせて、複数のインスタンス学習アプローチに基づいている。提案手法の有効性を検証するため,FoodSeg103データセット内の2つのメタクラスについて実験を行った。
論文参考訳（メタデータ） (2023-08-22T13:59:47Z)
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)
Exploring Self-Attention for Crop-type Classification Explainability [15.822486263693355]
我々は、最先端のトランスフォーマーエンコーダモデルによって学習された重要な作物の曖昧さのパターンに光を当てることを目的とした、新しい説明可能性フレームワークを提案する。また,作物特異的な現象を明らかにするための注意力向上のための感度分析手法を提案する。
論文参考訳（メタデータ） (2022-10-24T12:36:40Z)
Learning crop type mapping from regional label proportions in large-scale SAR and optical imagery [9.303156731091532]
本研究は,作物ラベルの比率を事前に用いたオンラインディープクラスタリング手法を提案し,サンプルレベル分類器を学習する。ブラジルの2つの異なる農業地域から得られた2つの大きなデータセットを用いて,本手法の評価を行った。
論文参考訳（メタデータ） (2022-08-24T15:23:26Z)
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)
Anomaly Detection in Cybersecurity: Unsupervised, Graph-Based and Supervised Learning Methods in Adversarial Environments [63.942632088208505]
現在の運用環境に固有ののは、敵対的機械学習の実践である。本研究では,教師なし学習とグラフに基づく異常検出の可能性を検討する。我々は,教師付きモデルの訓練時に,現実的な対人訓練機構を組み込んで,対人環境における強力な分類性能を実現する。
論文参考訳（メタデータ） (2021-05-14T10:05:10Z)
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)
Improvement in Land Cover and Crop Classification based on Temporal Features Learning from Sentinel-2 Data Using Recurrent-Convolutional Neural Network (R-CNN) [1.0312968200748118]
本稿では,リカレントニューラルネットワーク(RNN)と畳み込みニューラルネットワーク(CNN)に基づく,画素ベースの土地被覆と作物分類(LC&CC)のための,新しい最適なディープラーニングモデルを開発する。本研究では,主要農作物を含む15種について検討した。提案したPixel R-CNNの全体的な精度は96.5%であり、既存の主流手法と比較して大幅に改善された。
論文参考訳（メタデータ） (2020-04-27T15:39:50Z)

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。