論文の概要: Identifying Cocoa Pollinators: A Deep Learning Dataset

• arxiv url: http://arxiv.org/abs/2412.19915v1
• Date: Fri, 27 Dec 2024 20:27:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-31 16:04:56.822210
• Title: Identifying Cocoa Pollinators: A Deep Learning Dataset
• Title（参考訳）: ココアポリネータの同定 - ディープラーニングデータセット
• Authors: Wenxiu Xu, Saba Ghorbani Bazegar, Dong Sheng, Manuel Toledo-Hernandez, ZhenZhong Lan, Thomas Cherico Wanger,
• Abstract要約: ココアは数十億ドル規模の産業であるが、受粉による収量改善の研究は依然として限られている。 新しい組み込みハードウェアとAIベースのデータ分析は、ココアフラワービジター、そのアイデンティティと収量への影響に関する情報を前進させている。 本研究は,ココアフラワービジター・データセットとして,ココアフラワービジター・データセットとして,Ceratopogonidae,Formicidae,Aphididae,Araneae,Encyrtidaeの5,792種を記載した。
• 参考スコア（独自算出の注目度）: 6.729487636003146
• License:
• Abstract: Cocoa is a multi-billion-dollar industry but research on improving yields through pollination remains limited. New embedded hardware and AI-based data analysis is advancing information on cocoa flower visitors, their identity and implications for yields. We present the first cocoa flower visitor dataset containing 5,792 images of Ceratopogonidae, Formicidae, Aphididae, Araneae, and Encyrtidae, and 1,082 background cocoa flower images. This dataset was curated from 23 million images collected over two years by embedded cameras in cocoa plantations in Hainan province, China. We exemplify the use of the dataset with different sizes of YOLOv8 models and by progressively increasing the background image ratio in the training set to identify the best-performing model. The medium-sized YOLOv8 model achieved the best results with 8% background images (F1 Score of 0.71, mAP50 of 0.70). Overall, this dataset is useful to compare the performance of deep learning model architectures on images with low contrast images and difficult detection targets. The data can support future efforts to advance sustainable cocoa production through pollination monitoring projects.
• Abstract（参考訳）: ココアは数十億ドル規模の産業であるが、受粉による収量改善の研究は依然として限られている。 新しい組み込みハードウェアとAIベースのデータ分析は、ココアフラワービジター、そのアイデンティティと収量への影響に関する情報を前進させている。 今回,Ceratopogonidae,Formicidae,Aphididae,Araaneae,Encyrtidaeの5,792枚の画像と1,082枚の背景ココア花の画像を含む,最初のココア花の来訪者データセットを報告した。 このデータセットは、中国海南省のココアプランテーションで2年以上にわたって収集された2300万枚の画像から収集されたものです。 我々は、YOLOv8モデルの異なるサイズでのデータセットの使用を例示し、トレーニングセットの背景画像比を徐々に増加させ、最高のパフォーマンスモデルを特定する。 中型のYOLOv8モデルは8%の背景画像(F1スコア0.71、mAP500.70)で最高の結果を得た。 全体として、このデータセットは、低コントラスト画像と困難な検出対象の画像上でのディープラーニングモデルアーキテクチャのパフォーマンスを比較するのに有用である。 このデータは、受粉監視プロジェクトを通じて持続可能なココア生産を促進するための将来の取り組みを支援することができる。

関連論文リスト

• Coconut Palm Tree Counting on Drone Images with Deep Object Detection and Synthetic Training Data [5.492715335713603]
  本研究では、リアルタイム物体検出装置であるYOLOを用いて、ガーナの農業用ドローンの映像からココナッツヤシの木を特定し、数えた。 YOLOを少ないデータで最適化するために、モデルトレーニングと検証のために合成画像が作成された。
  論文  参考訳（メタデータ） (2024-12-16T16:33:28Z)
• Collaborative Camouflaged Object Detection: A Large-Scale Dataset and Benchmark [8.185431179739945]
  我々はコラボレーティブカモフラーグ型物体検出(CoCOD)と呼ばれる新しい課題について検討する。 CoCODは、関連する画像のグループから、同じ特性を持つカモフラージュされたオブジェクトを同時に検出することを目的としている。 我々は,8,528の高品質で精巧に選択された画像からなる,CoCOD8Kと呼ばれる最初の大規模データセットを構築した。
  論文  参考訳（メタデータ） (2023-10-06T13:51:46Z)
• 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)
• Exploring the Effectiveness of Dataset Synthesis: An application of Apple Detection in Orchards [68.95806641664713]
  本研究では,リンゴ樹の合成データセットを生成するための安定拡散2.1-baseの有用性について検討する。 我々は、現実世界のリンゴ検出データセットでリンゴを予測するために、YOLOv5mオブジェクト検出モデルを訓練する。 その結果、実世界の画像でトレーニングされたベースラインモデルと比較して、生成データでトレーニングされたモデルはわずかに性能が劣っていることがわかった。
  論文  参考訳（メタデータ） (2023-06-20T09:46:01Z)
• Large-scale Dataset Pruning with Dynamic Uncertainty [28.60845105174658]
  画像分類などの多くの学習タスクの最先端技術は、より大きなデータセットを収集して、より大きなモデルをトレーニングすることによって進歩している。 本稿では,大規模データセットの創出方法について検討し,非無視的な性能低下を伴う高度な深層モデルのトレーニングを行うための情報サブセットを作成する。
  論文  参考訳（メタデータ） (2023-06-08T13:14:35Z)
• Delving Deeper into Data Scaling in Masked Image Modeling [145.36501330782357]
  視覚認識のためのマスク付き画像モデリング(MIM)手法のスケーリング能力に関する実証的研究を行った。 具体的には、Webで収集したCoyo-700Mデータセットを利用する。 我々のゴールは、データとモデルのサイズの異なるスケールでダウンストリームタスクのパフォーマンスがどのように変化するかを調べることです。
  論文  参考訳（メタデータ） (2023-05-24T15:33:46Z)
• Chinese CLIP: Contrastive Vision-Language Pretraining in Chinese [55.95225353842118]
  我々は中国語で画像とテキストのペアの大規模なデータセットを構築し、ほとんどのデータは公開データセットから取得する。 77～958万のパラメータにまたがる,複数サイズの中国製CLIPモデルを5種類開発している。 実験の結果,中国のCLIPはMUGE,Flickr30K-CN,COCO-CNの最先端性能を達成できた。
  論文  参考訳（メタデータ） (2022-11-02T17:47:23Z)
• Transferring learned patterns from ground-based field imagery to predict UAV-based imagery for crop and weed semantic segmentation in precision crop farming [3.95486899327898]
  雑草の区分けのために,UAVのフィールド画像と空中画像の両方を予測できる深層畳み込みネットワークを開発した。 ネットワーク学習プロセスは、浅い層と深い層のフィーチャーマップによって視覚化される。 この研究は、深層畳み込みニューラルネットワークが、フィールド画像と空中画像の両方から雑草を分類するために使用できることを示した。
  論文  参考訳（メタデータ） (2022-10-20T19:25:06Z)
• 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)
• Monitoring crop phenology with street-level imagery using computer vision [0.0]
  コンピュータビジョンを用いて,道路画像から作物の種類や表現的情報を収集・抽出する枠組みを提案する。 2018年の成長期には、オランダのフレヴォラント州で、横向きのアクションカメラで高解像度の写真が撮影された。
  論文  参考訳（メタデータ） (2021-12-16T20:36:45Z)
• A CNN Approach to Simultaneously Count Plants and Detect Plantation-Rows from UAV Imagery [56.10033255997329]
  畳み込みニューラルネットワーク(CNN)を用いた新しい深層学習手法を提案する。 高度に乾燥したプランテーション構成を考慮した植物を数えながら、同時にプランテーション・ロウを検出し、配置する。 提案手法は、異なる種類の作物のUAV画像において、植物と植物をカウントおよびジオロケートするための最先端の性能を達成した。
  論文  参考訳（メタデータ） (2020-12-31T18:51:17Z)

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。