Jul, 2023

利用标签插值和蒙特卡罗裁剪提高植被覆盖预测的数据效率

PDF
TL;DR本文介绍了利用自动摄像系统和深度学习技术对植物群落组成进行快速、准确分析的方法，并提出了一种名为 Monte-Carlo Cropping 的新方法来处理高分辨率图像以及处理大量没有标签的图像数据。经过评估发现，该方法可以提高物种、群落和分割度量的精度。
automated camera systemplant community compositiondeep learningmonte-carlo croppingvegetation images
发现论文，激发创造
  • 利用深度学习识别 LUCAS 作物覆盖照片中的作物

    本文利用深度学习对地面影像进行农作物分类，选取 EU's LUCAS 数据库中的 12 种作物数据集，使用 Mobile-net 模型进行识别并通过信息论进行结果加工和后处理，并验证结果与 EU 的农业政策的实际应用相关性。

    May, 2023

  • 使用自动化数据和合成图像进行半监督草干物质估计

    本研究提出了一种利用计算机视觉中的深度学习算法，通过少量已标注数据及近似标注数据来监测牧草干草生物量的低监督方法，其包括合成数据生成算法、自动标注数据处理过程和强健的回归网络。该方法在爱尔兰采集的牧草质量估计数据集上进行了设计，还对丹麦发布的草艹生物量估计数据集报告了最先进的结果。

    Oct, 2021

  • 从不完整的点标记和有限的背景信息预测城市树木覆盖

    通过使用有限数据集和深度学习，在高分辨率航拍图像中绘制城市树木的方法被提出，结合街道边缘的准确点标签和开放地理数据库的众包注释，使用全卷积神经网络进行语义分割。

    Nov, 2023

  • 无监督预训练用于 3D 叶片实例分割

    通过自主训练的方法，该论文提出了一个新的用于植物表型分析的网络骨干初始化方法，并引入了一种针对叶片实例分割的新型自动后处理方法，实验证明我们的方法在所有调研场景中均提升了性能。

    Jan, 2024

  • 基于数据增强的叶片分割和计数技术在玫瑰植物中的应用

    本文介绍了一种用于在农业自动化领域中实现自动视觉检查的叶片计数和分割分析方法，该方法使用数据增强来训练深度神经网络，取得了在标准基准测试中最先进的结果，即由植物表型学的计算机视觉难题托管的叶片分割竞赛。

    Mar, 2019

  • 预处理训练数据提高卷积神经网络基于景观语义分割的准确性和泛化能力

    本文利用不同的数据预处理方法，包括 CNN 培训、语义分割和数据增强等方法，对昆士兰州的湿热热带和阿瑟顿高原进行了土地利用覆盖特征的分类，并发现使用数据增强和缩放是创建可用于不同日期和传感器图像的通用模型的关键。

    Apr, 2023

  • 加拿大农田数据集：用于农业多时相深度学习分类的新地表覆盖数据集

    通过遥感监测土地覆盖对于研究环境变化以及通过作物产量预测确保全球粮食安全至关重要。该研究建立了一个加拿大农田的时间序列数据集，包含了来自 10 个作物类别的高分辨率图像，并提供用于预测作物类别的模型和源代码，可用于加速土地覆盖的准确连续监测，以促进健壮的农业 - 环境模型的创建。

    May, 2023

  • 半监督杂草检测用于快速部署和提高效率

    该论文介绍了一种半监督杂草检测的新方法，通过利用计算机视觉和深度学习进行自动化杂草检测，该方法在农业领域中具有较好的应用潜力和实际可行性。

    May, 2024

  • 增强型自监督聚类学习：应用于土地覆盖地图制作

    通过聚类为自监督学习的前提任务，提出了一种用于土地覆盖映射的方法，通过所得聚类结构进行主动采样，提高映射准确性。

    Aug, 2021

  • 无监督领域自适应和超分辨率在无人机图像上的应用，用于自主干草生物量估计

    本研究基于深度学习方法和无人机影像实现草地草量和成分的精确估算，旨在减少对生物多样性和环境的过度施肥影响，并提高奶制品生产效率。

    Apr, 2022