![](https://img-blog.csdnimg.cn/20201014180756925.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
论文阅读
文章平均质量分 93
Billie使劲学
这个作者很懒,什么都没留下…
展开
-
【论文阅读】Augmenting a convolutional neural network withlocal histograms - A case study in cropclassif
能够拍摄农田高分辨率图像的低成本无人机的出现,为航空场景理解带来了新的挑战和机遇。本文解决了从航空图像中识别作物类型的问题,并提出了一种新的混合神经网络结构,它结合了直方图和卷积单元。我们评估了混合模型在23类分类任务中的性能,并将其与基于卷积和直方图的模型进行了比较。其结果是提高了分类性能。在过去几年中,UAV工业已经从一个小众市场发展到主流可用性,降低了航空图像采集成本,并为许多有趣的应用开辟了道路。在农业方面,这些新的数据源可用于帮助农民和决策者更好地了解和管理作物。原创 2022-10-08 09:55:32 · 239 阅读 · 3 评论 -
【论文阅读】Impact of Texture Information on Crop Classificationwith Machine Learning and UAV Images
与卫星图像相比,无人机图像能够以更高的空间和时间分辨率提供专题信息,在作物分类方面具有巨大潜力。由于无人机图像的超高空间分辨率,纹理等空间上下文信息经常用于作物分类。从数据可用性的角度来看,由于研究区域的可访问性有限,不可能总是获取时间序列无人机图像。因此,当单一或最少数量的无人机图像可用于作物分类时,有必要提高分类性能。在本研究中,我们研究了基于灰度共生矩阵(GLCM)的纹理信息用于作物分类的潜力,包括时间序列无人机图像和机器学习分类器,包括随机森林和支持向量机。原创 2022-10-07 21:20:18 · 502 阅读 · 1 评论 -
【论文阅读】Deep Neural Networks and Transfer Learning forFood Crop Identification in UAV Images
准确预测季节性农业产量对于改善粮食安全至关重要。然而,通过季节性农业调查收集农业信息往往不够及时,无法向公共和私人利益攸关方通报种植季节的作物状况。在以小农农场为主的国家,由于小地块数量多、间作强度大、作物类型多样性高,及时准确地获得作物估计数可能特别困难。在本研究中,我们使用从卢旺达境内飞行的无人机(UAV)收集的RGB图像开发了一种深度学习算法,用于识别作物类型,特别是香蕉、玉米和豆类,这些作物是卢旺达农业中的关键战略粮食作物。原创 2022-10-07 21:17:37 · 297 阅读 · 1 评论 -
【论文阅读】Transformer Neural Network for Weed and Crop Classification of High Resolution UAV Images
监测作物和杂草是当今农业和粮食生产的一大挑战。杂草与作物直接竞争水分、养分和阳光。因此,如果不加以充分控制,它们对作物产量会产生重大的负面影响。杂草检测和绘图是杂草控制中的一个重要步骤。许多现有的研究认识到遥感系统和机器学习算法在杂草管理中的重要性。深度学习方法在许多与农业相关的遥感任务中表现出良好的性能,例如植物分类、疾病检测等。然而,尽管这些方法取得了成功,但它们仍然面临许多挑战,例如计算成本高、需要大型标记数据集、,类内鉴别(生长期杂草和作物具有颜色、纹理和形状等许多属性相似性)。原创 2022-10-08 09:55:14 · 783 阅读 · 1 评论 -
【论文阅读】UAV-Based Crop and Weed Classification for Smart Farming
智能农业应用中的无人飞行器(UAV)和其他机器人提供了按植物监测农田的潜力,从而可以减少必须使用的除草剂和杀虫剂的数量。对于农民和自主农业机器人来说,一个中心信息是关于田间杂草类型和分布的知识。在这方面,无人机以低成本提供出色的勘测能力。在本文中,我们解决了使用安装在轻型无人机上的摄像头检测甜菜等有价值作物以及典型杂草的问题。我们提出了一个系统,该系统执行植被检测、植物定制特征提取和分类,以获得作物和杂草在田间的分布估计。原创 2022-10-06 15:54:33 · 1521 阅读 · 1 评论 -
【论文阅读】Crop Classification in a Heterogeneous Arable Landscape Using Uncalibrated UAV Data
土地覆盖图对于农业地区的决策、监测和管理必不可少,但通常只有在收获后才能获得。为了及时获得瑞士高原小规模耕地景观的作物图,我们于2015年6月在无人驾驶飞行器(UAV)上使用消费者级相机,获得了未校准的、高分辨率的数据,空间分辨率为0.05米,四个光谱带。我们对数据进行了重新采样,以获得不同的空间和光谱分辨率,并使用纹理特征(一阶统计和数学形态学)、最佳性能的随机森林分类器以及结构元素的数量和大小对该方法进行了评估。原创 2022-10-06 15:14:49 · 638 阅读 · 1 评论 -
【论文阅读】A statistical significance of differences in classification accuracy of crop types using 。。。
为了了解不同作物的生理和气候要求,需要进行作物分类。尝试采用基于核的支持向量机、最大似然和归一化差分植被指数分类方案来评估它们在作物分类中的性能。对线性成像自扫描(LISS-IV)多光谱传感器数据进行了评估,以对作物类型进行分类,如大麦、小麦、扁豆、芥末、木豆、亚麻籽、玉米、豌豆、甘蔗和其他作物,以及非作物,如水、沙、建筑、休耕地、稀疏植被和密集植被。为了确定作物类型之间的光谱可分性,使用了M统计量和Jeffries–Matusita(J–M)距离方法。采用Z检验和χ2检验对结果进行统计分析和比较。原创 2022-09-27 19:51:27 · 1205 阅读 · 2 评论 -
【论文阅读】Crop Classification for UAV Visible Imagery Using Deep Semantic Segmentation Methods
无人机(UAV)已成为精准农业的主流数据采集平台。对于更易获取的无人机可见图像,高空间分辨率带来了丰富的几何纹理特征,触发了同一作物图像特征的巨大差异。我们提出了一种编码器-解码器的全卷积神经网络,结合可见带差植被指数(VDVI)对作物图像特征进行深度语义分割。该模型保证了精度和泛化能力,同时减少了参数和操作成本。在中国成都进行了一项作物分类的案例研究,其中对四种作物进行了分类,即玉米、水稻、苦瓜和红豆。结果表明,总准确率(OA)为93.18%。原创 2022-09-27 15:31:53 · 460 阅读 · 2 评论 -
【论文阅读】CoaT:Co-Scale Conv-Attentional Image Transformers
在本文中,我们提出了co-scaleconv-attentionimagetransformer(CoaT),这是一种基于Transformer的图像分类器,配备了co-scale和机制。首先,co-scale机制在各个尺度上保持Transformer编码器支路的完整性,同时允许在不同尺度上学习到的特征能相互有效通信;我们设计了一系列串行和并行块来实现co-scale机制。其次,我们通过在因子化注意模块中实现相对位置嵌入公式,并采用高效的卷积实现,设计了一种conv-attention机制。。...原创 2022-07-18 20:54:09 · 1427 阅读 · 0 评论 -
DMSANet: Dual Multi Scale Attention Network
近年来,注意机制在计算机视觉领域中得到了广泛的应用。为了提高网络的性能,已经做了大量的工作,尽管几乎总是会导致计算复杂性的增加。在本文中,我们提出了一种新的注意力模块,与大多数现有模型相比,该模块不仅实现了最佳性能,而且具有较少的参数。我们的注意力模块可以很容易地与其他卷积神经网络集成,因为它的轻量级特性。提出的双多尺度注意网络(DMSANet)由两部分组成:第一部分用于提取不同尺度的特征并对其进行聚合,第二部分使用空间和通道注意模块并行地自适应地将局部特征与其全局依赖性相结合。我们在ImageNet数据集原创 2022-06-29 20:35:08 · 2051 阅读 · 0 评论 -
【论文阅读】MPViT : Multi-Path Vision Transformer for Dense Prediction
目录Abstract1. Introduction2. Related works3. Multi-Path Vision Transformer3.1. Architecture3.2. Multi-Scale Patch Embedding3.3. Global-to-Local Feature Interaction3.4. Model Configuration4. Experiments4.1. ImageNet Classification4.2. Object Detection and In原创 2022-06-28 19:10:38 · 1323 阅读 · 2 评论 -
【论文阅读】Single- and Cross-Modality Near Duplicate Image PairsDetection via Spatial Transformer Compar
题目:基于空间变换比较CNN的单模态和交叉模态近重复图像对检测目录1. Introduction2. Related Work2.1. Two-Stage Strategies2.2. End-To-End Strategies3. Methodology3.1. Triple-Stream Framework3.2. Spatial Transformer3.3. Loss Function4. Experiments4.1. Datasets and Set.翻译 2022-04-10 13:35:53 · 444 阅读 · 0 评论 -
【论文阅读】A CNN-transformer hybrid approach for decoding visual neuralactivity into text
题目:一种将视觉神经活动解码为文本的CNN-transformer混合方法目录摘要IntroductionMethodsTwo-layer 1D CNNTransformerScaled dot-product attentionMulti-Head attentionMulti-Layer connectivityFeed-Forward networksScaled positional encodingImplementation detailsA.翻译 2022-04-10 11:21:59 · 1115 阅读 · 0 评论 -
【论文阅读】Transformer with Transfer CNN for Remote-Sensing-ImageObject Detection
题目:用于遥感图像目标检测的Trans CNN-Transformer目录摘要1. Introduction2. The Proposed Transformer-Based RSI Object-Detection Framework2.1. The Framework of the Proposed TRD2.2. The Deformable Attention Module2.3. The Attention-Based Transferring Backbone.翻译 2022-04-08 21:14:18 · 1818 阅读 · 1 评论 -
【论文阅读】A CNN-Transformer Hybrid Approach for CropClassification Using MultitemporalMultisensor Images
论文题目:利用多时相多传感器图像进行作物分类的CNN-Transformer混合方法目录摘要I.INTRODUCTIONII. RELATE WORKA. Ground Truth of Crop TypesB. PreprocessingIII. PROPOSED METHODOLOGYA. Multisensor Spatial-Spectral Scale UnifificationB. CNN-Transformer Architecture for Classi原创 2022-04-08 15:23:35 · 1256 阅读 · 0 评论