AgriVision: эталонный набор данных для развития реального роботизированного зрения при выращивании густоплодной черники

Газаль С., Мунир А. и Куреши В.С. Компьютерное зрение в интеллектуальном сельском хозяйстве и точном земледелии: методы и приложения. Искусственный интеллект в сельском хозяйстве (2024).

Лочан, К. и др.. Достижения в области точного опрыскивания сельскохозяйственных роботов: всесторонний обзор. IEEE-доступ (2024).

Муресан Х. и Олтин М. Распознавание фруктов по изображениям с использованием глубокого обучения. Журнал Университета мудрости, информатика 1026–42 (2018).

Google Академика

Ю, Ю., Чжан К., Ян, Л. и Чжан, Д. Обнаружение фруктов роботом, собирающим клубнику, в неструктурной среде на основе маски-rcnn. Компьютеры и электроника в сельском хозяйстве 163104846 (2019).

Google Академика

Се, Э. и др.. Сегформер: простой и эффективный дизайн для семантической сегментации с помощью преобразователей. Достижения в области нейронных систем обработки информации 3412077–12090 (2021).

Google Академика

Лю, З. и др.. Трансформатор Swin: преобразователь иерархического зрения с использованием смещенных окон. В Материалы международной конференции IEEE/CVF по компьютерному зрению.10012-10022 (2021).

Сингх Р., Хан А., Сеневиратне Л. и Хуссейн И. Подход глубокого обучения для обнаружения цветков и бутонов томатов в теплицах с помощью портального робота 3p2r. Научные отчеты 1420552 (2024).

Google Академика

Абдалла, А. и др.. Точная настройка сверточной нейронной сети с трансферным обучением для семантической сегментации изображений рапса на уровне земли на поле с высоким уровнем засоренности. Компьютеры и электроника в сельском хозяйстве 167105091 (2019).

Google Академика

Пэн, Х. и др.. Семантическая сегментация ветвей личи с использованием модели deeplabv3+. Ieee доступ 8164546–164555 (2020).

Google Академика

Сунь К., Ван Х., Лю С. и Лю С. Обнаружение цветов яблок, персиков и груш с использованием сети семантической сегментации и набора уровней ограничений формы. Компьютеры и электроника в сельском хозяйстве 185106150 (2021).

Google Академика

Чен, Л.-К., Чжу, Ю., Папандреу, Г., Шрофф, Ф. и Адам, Х. Кодер-декодер с явной разделимой сверткой для семантической сегментации изображений. В Материалы Европейской конференции по компьютерному зрению (ECCV)801–818 (2018).

Чжан, Х. и др.. Извлечение площадей посевов хлопка на основе сегформера по изображениям дистанционного зондирования высокого разрешения. В 2023 11-я Международная конференция по агрогеоинформатике (Агро-геоинформатика)1–6 (IEEE, 2023).

Сюй, X., Цзоу, Дж., Цай, Дж. и Цзоу, Д. Многомасштабный контекстный преобразователь swin для сегментации кадрированных изображений. В Физический журнал: серия конференцийтом. 2759, 012012 (Издательство ИОП, 2024).

Шамрат, Ф.Дж.М., Шакил, Р., Идрис, М.И., Актер, Б. и Чжоу, X. Fruitseg30_набор данных сегментации и аннотации к маскам: новый набор данных для разнообразной сегментации и классификации фруктов. Данные вкратце 56110821 (2024).

Google Академика

Гай Р., Гао Дж. и Сюй Г. Хппем: Высокоточная модель извлечения фенотипа кластера черники, основанная на каскаде гибридных задач. Агрономия 141178 (2024).

Google Академика

Конг, С. и др.. Обнаружение культур с плотной посадкой в реальном времени с использованием глубокого обучения на стадии рассады. Агрономия 131503 (2023).

Google Академика

Ван Л., Ян Дж., Чжан Ю., Ван Ф. и Чжэн Ф. Скрытое обнаружение культур с учетом глубины на плотных сельскохозяйственных участках. В Материалы конференции IEEE/CVF по компьютерному зрению и распознаванию образов17201–17211 (2024).

Ван Ю., Ян Л., Лю Х. и Ян П. Улучшенный алгоритм семантической сегментации изображений дистанционного зондирования высокого разрешения на основе deeplabv3+. Научные отчеты 149716 (2024).

Google Академика

Махешвари П., Раджа П. и Хоанг В.Т. Интеллектуальная оценка урожайности томатов с использованием сегнета с архитектурой vgg19. Научные отчеты 1213601 (2022 г.).

Google Академика

Бадринараянан В., Кендалл А. и Чиполла Р. Сегнет: Глубокая сверточная архитектура кодера-декодера для сегментации изображений. Транзакции IEEE по анализу шаблонов и машинному интеллекту 392481–2495 (2017).

Google Академика

Камал, С. и др.. Сегментация сорняков и культур на основе сети Fcn для сельскохозяйственных приложений с помощью Интернета. Беспроводная связь и мобильные компьютеры 2022 год2770706 (2022).

Google Академика

Лонг Дж., Шелхамер Э. и Даррелл Т. Полностью сверточные сети для семантической сегментации. В Материалы конференции IEEE по компьютерному зрению и распознаванию образов3431–3440 (2015).

Абд Алмисреб А., Алиев С.З., Хамза Р. и Джамиль Н. Оценка производительности моделей на основе сверточных нейронных сетей (>) для семантической сегментации заболеваний листьев растений. Журнал позитивной школьной психологии 68623–8635 (2022).

Google Академика

Овайс, М. и др.. Agrivision: эталонный набор данных для развития реального роботизированного зрения при выращивании густоплодной черники. фиговая доля (2025).

Рестрепо-Ариас, Дж. Ф., Бранч-Бедоя, Дж. В. и Авад, Г. Классификация изображений на интеллектуальных сельскохозяйственных платформах: систематический обзор литературы. Искусственный интеллект в сельском хозяйстве (2024).

Рехман, МЮ и др.. Усовершенствованное обнаружение сорняков с помощью дронов с использованием многофункционального подхода глубокого обучения. Системы, основанные на знаниях 305112655 (2024).

Google Академика

Dosovitskiy, A. и др. Изображение стоит 16 × 16 слов: Трансформаторы для распознавания изображений в масштабе. В материалах Международной конференции по представлению обучения (ICLR)1–22 (2021).

Ю, Д., Пак, С., Ли, Дж.-Ю. И Со Квеон, И. Многомасштабное объединение пирамид для глубокого сверточного представления. В Материалы конференции IEEE по компьютерному зрению и распознаванию образов. Семинары71–80 (2015).

Kirillov, A. и др.. Сегментируйте что угодно. В Материалы Международной конференции IEEE/CVF по компьютерному зрению4015–4026 (2023).

Джейдон, С. Обзор функций потерь для семантической сегментации. В Конференция IEEE 2020 года по вычислительному интеллекту в биоинформатике и вычислительной биологии (CIBCB)1–7 (IEEE, 2020).

Тисанке, Х. и др.. Семантическая сегментация с использованием преобразователей зрения: опрос. Инженерные применения искусственного интеллекта 126106669 (2023).

Google Академика

Перера С., Навард П. и Йилмаз А. Segformer3d: эффективный преобразователь для сегментации трехмерных медицинских изображений. В Материалы конференции IEEE/CVF по компьютерному зрению и распознаванию образов4981–4988 (2024).

Салина Т., Ильяс П.М. и Катти С.В. Подход на основе сегформера для семантической сегментации некротических тканей по гистопатологическим изображениям. В Международная конференция IEEE 2024 по распределенным вычислениям, СБИС, электрическим цепям и робототехнике (ОТКРОЙТЕ ДЛЯ СЕБЯ)383–387 (IEEE, 2024).

Гош А., Гош Д., Гошал С., Чакрабарти А. и Сур-Колай С. Сегментация и маркировка позвонков с использованием сегформирующей архитектуры. В Международная конференция по компьютерному зрению и обработке изображений160–171 (Спрингер, 2023).

Элмессери, ВМ и др.. Семантическая сегментация микробных изменений на основе сегформера. Границы в науке о растениях 151352935 (2024).

Google Академика

Цзян К., Афзаал У. и Ли Дж. Сегментация сорняков с помощью трансформатора для борьбы с травой. Датчики 2365 (2022).

Google Академика

Разави, Массачусетс и др.. Улучшение прогнозирования урожайности сельскохозяйственных культур в Сенегале с использованием передовых методов машинного обучения и синтетических данных. Искусственный интеллект в сельском хозяйстве (2024).

Ким, Т.К. Т-тест как параметрическая статистика. Корейский журнал анестезиологии 68540–546 (2015).

Google Академика

Ислами, Ф. Реализация метода пороговой оценки на основе ВПГ для обнаружения радужной оболочки глаза. Журнал компьютерных сетей, архитектуры и высокопроизводительных вычислений 397–104 (2021).

Google Академика