論文の概要: Exploiting Boundary Loss for the Hierarchical Panoptic Segmentation of Plants and Leaves

• arxiv url: http://arxiv.org/abs/2501.00527v1
• Date: Tue, 31 Dec 2024 16:23:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-05 17:15:52.220977
• Title: Exploiting Boundary Loss for the Hierarchical Panoptic Segmentation of Plants and Leaves
• Title（参考訳）: 植物と葉の階層的パノプティックセグメンテーションにおける境界損失の爆発
• Authors: Madeleine Darbyshire, Elizabeth Sklar, Simon Parsons,
• Abstract要約: 本稿では,葉数と雑草の位置を同時に決定する階層的パノプティックセグメンテーション法を提案する。 この結果,標準学習セットでのPQ+81.89を達成できるだけでなく,本手法により葉数精度を向上できることを示す。
• 参考スコア（独自算出の注目度）: 0.3659498819753633
• License:
• Abstract: Precision agriculture leverages data and machine learning so that farmers can monitor their crops and target interventions precisely. This enables the precision application of herbicide only to weeds, or the precision application of fertilizer only to undernourished crops, rather than to the entire field. The approach promises to maximize yields while minimizing resource use and harm to the surrounding environment. To this end, we propose a hierarchical panoptic segmentation method that simultaneously determines leaf count (as an identifier of plant growth)and locates weeds within an image. In particular, our approach aims to improve the segmentation of smaller instances like the leaves and weeds by incorporating focal loss and boundary loss. Not only does this result in competitive performance, achieving a PQ+ of 81.89 on the standard training set, but we also demonstrate we can improve leaf-counting accuracy with our method. The code is available at https://github.com/madeleinedarbyshire/HierarchicalMask2Former.
• Abstract（参考訳）: 精密農業はデータと機械学習を活用し、農家は作物を監視し、介入を正確に狙うことができる。 これにより、除草剤の精密施用は雑草に限られ、あるいは肥料の精密施用は、畑全体ではなく、農作物に限られる。 このアプローチは、リソース使用を最小化し、周囲の環境に害を与えながら、収穫量を最大化することを約束します。 そこで本研究では,葉数(植物成長の識別子として)を同時に決定し,雑草を画像内に配置する階層的パノプティックセグメンテーション手法を提案する。 特に,本研究の目的は,葉や雑草などの小インスタンスのセグメンテーションを,焦点損失と境界損失を取り入れることで改善することである。 この結果,標準学習セットでのPQ+81.89を達成できるだけでなく,本手法により葉数精度を向上できることを示す。 コードはhttps://github.com/madeleinedarbyshire/HierarchicalMask2Formerで公開されている。

関連論文リスト

• Hierarchical Mask2Former: Panoptic Segmentation of Crops, Weeds and Leaves [0.41129099372031175]
  本研究では,植物生育の指標を同定し,画像中の雑草を同定する階層的パノプティックセグメンテーション法を提案する。 我々は、作物、雑草、葉のマスクを予測するために、パン光学セグメンテーションのための最先端アーキテクチャであるMask2Formerを適用した。 よりコンパクトなアーキテクチャでは、推論は最大60%速くなり、PQdagの削減は1%以下になります。
  論文  参考訳（メタデータ） (2023-10-10T12:47:31Z)
• 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)
• On the Real-Time Semantic Segmentation of Aphid Clusters in the Wild [13.402804225093801]
  アフィドの感染は小麦やソルガムの畑に大きな損傷を与え、植物ウイルスを拡散させる。 農夫はしばしば化学殺虫剤を頼りにしており、これは田畑の広い範囲で非効率に適用される。 本稿では,アフィドのクラスタ分割にリアルタイムセマンティックセマンティックセマンティクスモデルを適用することを提案する。
  論文  参考訳（メタデータ） (2023-07-17T19:04:39Z)
• Hierarchical Approach for Joint Semantic, Plant Instance, and Leaf Instance Segmentation in the Agricultural Domain [29.647846446064992]
  植物表現型は、植物の成長段階、発達、その他の関連する量を記述するため、農業において中心的な課題である。 本稿では,RGBデータから作物の連接意味,植物インスタンス,葉のインスタンスセグメンテーションの問題に対処する。 本稿では,3つのタスクを同時に処理する単一畳み込みニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2022-10-14T15:01:08Z)
• 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)
• Noisy Boundaries: Lemon or Lemonade for Semi-supervised Instance Segmentation? [59.25833574373718]
  ピクセルレベルの擬似ラベルを割り当てることで、半教師付きインスタンスセグメンテーションのためのフレームワークを構築する。 この枠組みでは、擬似ラベルに関連付けられたノイズ境界が二重辺になっていることを指摘した。 我々はそれらを同時に活用し、抵抗することを提案する。
  論文  参考訳（メタデータ） (2022-03-25T03:06:24Z)
• 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)
• 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)
• Weed Density and Distribution Estimation for Precision Agriculture using Semi-Supervised Learning [0.0]
  雑草密度と分布のロバストな推定のための深層学習に基づく半教師付き手法を提案する。 本研究では、作物や雑草を含む前景の植生画素を、畳み込みニューラルネットワーク(CNN)に基づく教師なしセグメンテーションを用いて最初に同定する。 雑草感染地域は、細調整されたCNNを用いて識別され、手作りの特徴を設計する必要がなくなる。
  論文  参考訳（メタデータ） (2020-11-04T09:35:53Z)
• Quantification of groundnut leaf defects using image processing algorithms [0.0]
  本研究は, アンダラプラデシュの4地域を対象に, イメージ・プロセッシング技術を用いて, 被害したオオムギの葉面積を推定する試みである。 これらの4つの領域にわたる画像解析の結果、葉面積の約14～28%がグラウンドナッツ畑で影響を受けることが明らかとなった。
  論文  参考訳（メタデータ） (2020-06-11T15:07:12Z)
• 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。