| |
|
|
| Registros recuperados : 19 | |
| 3. |  | PADOVANI, C. R.; ESQUERDO, J. C. D. M.; ARAÚJO, A. F.; ISHII, R. P.; MATSUBARA, E. T.; MINGOTI, R. Sistema de suporte à decisão frente às inundações do Pantanal. In: SEMINÁRIO DA REDE AGROHIDRO, 4., 2016, Brasília, DF. Água e agricultura: incertezas e desafios para a sustentabilidade frente às mudanças do clima e do uso da terra: anais. Planaltina, DF: Embrapa Cerrados, 2016. 228-234| Biblioteca(s): Embrapa Agricultura Digital; Embrapa Territorial. |
|    |
| 4. | | PADOVANI, C. R.; ESQUERDO, J. C. D. M.; ARAÚJO, A. F.; ISHII, R. P.; MATSUBARA, E. T.; MINGOTI, R. Sistema de suporte à decisão frente às inundações do Pantanal. In: SEMINÁRIO DA REDE AGROHIDRO, 4., 2016, Brasília, DF. Água e agricultura: incertezas e desafios para a sustentabilidade frente às mudanças do clima e do uso da terra: anais. Planaltina, DF: Embrapa Cerrados, 2016. p. 228-234.| Biblioteca(s): Embrapa Cerrados. |
| |
| 5. | | PADOVANI, C. R.; ESQUERDO, J. C. D. M.; ARAUJO, A. F. de; ISHII, R. P.; MATSUBARA, E. T.; MINGOTI, R. Sistema de suporte à decisão frente às inundações do Pantanal. In: SEMINÁRIO DA REDE AGROHIDRO, 4., 2016, Brasília, DF. Água e agricultura: incertezas e desafios para a sustentabilidade frente às mudanças do clima e do uso da terra: anais. Brasília, DF: Embrapa, 2016. p. 228-234.| Biblioteca(s): Embrapa Pantanal. |
| |
| 6. | | OLIVEIRA, G. S. de; SILVEIRA, E. S.; SANTOS, M. F.; FERNANDES, C. D.; JANK, L.; MATSUBARA, E. T. Caracterização do banco de germoplasma de Panicum maximum quanto a fatores bióticos: uso de drones para avaliação de doenças. In: JORNADA CIENTÍFICA EMBRAPA GADO DE CORTE, 15., 2019, Campo Grande, MS. [Resumos dos trabalhos...]. Brasília, DF: Embrapa, 2019 80 p. (Embrapa Gado de Corte. Documentos, 264). Comitê Organizador: Marlene de Barros Coelho; Lenita Ramires dos Santos; Rodrigo Carvalho Alva; Lucimara Chiari; Thais Basso Amaral. p. 40-41| Biblioteca(s): Embrapa Gado de Corte. |
| |
| 7. | | PADOVANI, C. R.; ARAÚJO, A. F. de; ISHII, R. P.; MATSUBARA, E. T.; ESQUERDO, J. C. D. M.; ANTONIASSI, R. A. dos S. Sistema de suporte à decisão para a adaptação e convivência da pecuária extensiva à dinâmica das inundações e estiagens do Pantanal frente às mudanças climáticas. In: SOTTA, E. D.; SAMPAIO, F. G.; MARZALL, K.; SILVA, W. G. da (org.). Estratégias de adaptação às mudanças do clima dos sistemas agropecuários brasileiros. Brasília, DF: MAPA, 2021. p. 92-93.| Biblioteca(s): Embrapa Agricultura Digital; Embrapa Pantanal. |
| |
| 8. | | PADOVANI, C. R.; ARAÚJO, A. F. de; ISHII, R. P.; CARVALHO, G.; ALMEIDA, H.; MATSUBARA, E. T.; ESQUERDO, J. C. D. M.; ANTONIASSI, R. A. dos S. Adoption of a decision support system for coexistence of extensive livestock to the Pantanal flood dynamics: related factors. In: INTERNATIONAL SYMPOSIUM ON AGRICULTURAL TECHNOLOGY ADOPTION, 1., 2020, Campo Grande, MS. Studies, methods and experiences. Campo Grande: MS, Embrapa Gado de Corte, 2020. p. 149-150. (Embrapa Gado de Corte. Documentos, 279). Editores: Mariana de Aragão Pereira, João Augusto Rossi Borges, Carla Heloisa Faria Domingues. ISATA 2020.| Biblioteca(s): Embrapa Agricultura Digital. |
| |
| 9. | | PADOVANI, C. R.; ARAÚJO, A. F. de; ISHII, R. P.; CARVALHO, G.; ALMEIDA, H.; MATSUBARA, E. T.; ESQUERDO, J. C. D. M.; ANTONIASSI, R. A. dos S. Adoption of a decision support system for coexistence of extensive livestock to the Pantanal flood dynamics: related factors. In: INTERNATIONAL SYMPOSIUM ON AGRICULTURAL TECHNOLOGY ADOPTION, 1., 2020, Campo Grande, MS. Studies, methods and experiences. Campo Grande: MS, Embrapa Gado de Corte, 2020. p. 149-150. (Embrapa Gado de Corte. Documentos, 279). Editores: Mariana de Aragão Pereira, João Augusto Rossi Borges, Carla Heloisa Faria Domingues. ISATA 2020.| Biblioteca(s): Embrapa Pantanal. |
| |
| 10. | | RODRIGUES, L. de S.; CAIXETA FILHO, E.; SAKIYAMA, K.; SANTOS, M. F.; JANK, L.; CARROMEU, C.; SILVEIRA, E.; MATSUBARA, E. T.; MARCATO JUNIOR, J.; GONCALVES, W. N. Deep4Fusion: a Deep FORage Fusion framework for high-throughput phenotyping for green and dry matter yield traits. Computers and Electronics in Agriculture, v. 211, 2023. 14 p.| Biblioteca(s): Embrapa Gado de Corte. |
|  |
| 11. | | PADOVANI, C. R.; ARAÚJO, A. F. de; ISHII, R. P.; MATSUBARA, E. T.; ESQUERDO, J. C. D. M.; ANTONIASSI, R. A. dos S. Decision making support system for the adaptation and coexistence of extensive livestock farming in the dynamics of pantanal floods and droughts in face of climate change. In: SOTTA, E. D.; SAMPAIO, F. G.; MARZALL, K.; SILVA, W . G. da (ed.). Adapting to climate change: strategies for Brazilian agricultural and livestock systems. Brasília, DF: MAPA, 2021. p. 92-93.| Biblioteca(s): Embrapa Agricultura Digital; Embrapa Pantanal. |
| |
| 12. | | CRIVELLARO, L. L.; MATSUBARA, E. T.; BARRIOS, S. C. L.; CARROMEU, C.; SANTOS, M. F.; VALLE, C. B. do; JANK, L. Pasto Certo: escolha de cultivares com Inteligência Artificial. In: JORNADA CIENTÍFICA EMBRAPA GADO DE CORTE, 14., 2018, Campo Grande - MS. [Resumos dos trabalhos]. Brasília, DF, Embrapa, 2018 115 p. (Embrapa Gado de Corte. Documentos, 258). p. 64-65| Biblioteca(s): Embrapa Gado de Corte. |
| |
| 13. | | BARRIOS, S. C. L.; CARROMEU, C.; MATSUBARA, E. T.; CRIVELLARO, L. L.; SILVA, M. A. I. da; VALLE, C. B. do; SANTOS, M. F.; JANK, L. Pasto Certo - versão 2.0®: aplicativo para dispositivos móveis e desktop sobre forrageiras tropicais. Campo Grande, MS: Gado de Corte, 2019. 13 p. (Embrapa Gado de Corte. Comunicado técnico, 148).| Biblioteca(s): Embrapa Gado de Corte. |
| |
| 14. | | WEBER, F. de L.; WEBER, V. A. de M; MORAES, P. H. de; MATSUBARA, E. T.; PAIVA, D. M. B.; GOMES, M. de N. B.; OLIVEIRA, L. O. F. de; MEDEIROS, S. R. de; CAGNIN, M. I. Counting cattle in UAV images using convolutional neural network. Remote Sensing Applications: Society and Environment, v. 29, article 100900, 2023.| Biblioteca(s): Embrapa Gado de Corte; Embrapa Pecuária Sudeste. |
| |
| 15. | | BARRIOS, S. C. L.; CARROMEU, C.; CRIVELLARO, L. L.; VERZIGNASSI, J. R.; ZIMMER, A. H.; SANTOS, M. F.; JANK, L.; VALLE, C. B. do; JOSÉ, M. R.; GOMES, O. C. de O.; MATSUBARA, E. T.; SILVA, M. A. I. da. Pasto Certo - versão 3.0: aplicativo para dispositivos móveis e desktop sobre forrageiras tropicais. Campo Grande, MS: Embrapa Gado de Corte, 2021. (Embrapa Gado de Corte / Comunicado Técnico, 159)| Biblioteca(s): Embrapa Gado de Corte. |
| |
| 16. | | WEBER, F. de L.; WEBER, V. A. de M.; MENEZES, G. V.; OLIVEIRA JUNIOR, A. da S.; ALVES, D. A.; OLIVEIRA, M. V. M. de; MATSUBARA, E. T.; PISTORI, H.; ABREU, U. G. P. de. Recognition of Pantaneira cattle breed using computer vision and convolutional neural networks. Computers and Electronics in Agriculture, v. 175, 105548, p. 1-9, 2020.| Biblioteca(s): Embrapa Pantanal. |
| |
| 17. | | OSCO, L. P.; MARCATO JUNIOR, J.; RAMOS, A. P. M.; JORGE, L. A. de C.; FATHOLAHI, S. N.; SILVA, J. A.; MATSUBARA, E. T.; PISTORI, H.; GONÇALVES, W. N.; LI, J. A review on deep learning in UAV remote sensing. International Journal of Applied Earth Observations and Geoinformation, v. 102, 102456, 2021. 1 - 22| Biblioteca(s): Embrapa Instrumentação. |
| |
| 18. | | WEBER, V. A. M.; WEBER, F. de L.; OLIVEIRA, A. da S.; ASTOLFI, G.; MENEZES, G. V.; PORTO, J. V. de A.; REZENDE, F. P. C.; MORAES, P. H. de; MATSUBARA, E. T.; MATEUS, R. G.; ARAÚJO, T. L. A. C. de; SILVA, L. O. C. da; QUEIROZ, E. Q, A. de; ABREU, U. G. P. de; GOMES, R. da C.; PISTORI, H. Cattle weight estimation using active contour models and regression trees Bagging . Computers and Electronics in Agriculture, v.179, 105804, p. 1-12, dec, 2020.| Biblioteca(s): Embrapa Pantanal. |
| |
| 19. | | BARRIOS, S. C. L.; CARROMEU, C.; SILVA, M. A. I. da; MATSUBARA, E. T.; VALLE, C. B. do; JANK, L.; SANTOS, M. F.; ASSIS, G. M. L. de; CRIVELLARO, L. L.; GONÇALVES, T. D. T.; QUEIROZ JÚNIOR, J. M.; CANDIDO, A. R.; MACHADO, W. K. R.; GOUVEIA, B. T.; NOBRE, A. A. A.; ZANELLA, A. L. Pasto Certo® version 2.0 - An application about Brazilian tropical forage cultivars for mobile and desktop devices. Tropical Grasslands-Forrajes Tropicales, v. 8, n. 2, p. 162?166, 2020.| Biblioteca(s): Embrapa Gado de Corte. |
| |
| Registros recuperados : 19 | |
|
|
|
 | Acesso ao texto completo restrito à biblioteca da Embrapa Gado de Corte. Para informações adicionais entre em contato com cnpgc.biblioteca@embrapa.br. |
Registro Completo
|
Biblioteca(s): |
Embrapa Gado de Corte. |
|
Data corrente: |
17/10/2023 |
|
Data da última atualização: |
17/10/2023 |
|
Tipo da produção científica: |
Artigo em Periódico Indexado |
|
Circulação/Nível: |
A - 1 |
|
Autoria: |
RODRIGUES, L. de S.; CAIXETA FILHO, E.; SAKIYAMA, K.; SANTOS, M. F.; JANK, L.; CARROMEU, C.; SILVEIRA, E.; MATSUBARA, E. T.; MARCATO JUNIOR, J.; GONCALVES, W. N. |
|
Afiliação: |
LUCAS DE SOUZA RODRIGUES, UNIVERSIDADE FEDERAL DE MATO GROSSO DO SUL; EDMAR CAIXETA FILHO, UNIVERSIDADE FEDERAL DE MATO GROSSO DO SUL; KENZO SAKIYAMA, UNIVERSIDADE DE SÃO PAULO; MATEUS FIGUEIREDO SANTOS, CNPGC; LIANA JANK, CNPGC; CAMILO CARROMEU, GTI; ELOISE SILVEIRA, CNPGC; EDSON TAKASHI MATSUBARA, UNIVERSIDADE FEDERAL DE MATO GROSSO DO SUL; JOSÉ MARCATO JUNIOR, UNIVERSIDADE FEDERAL DE MATO GROSSO DO SUL; WESLEY NUNES GONCALVES, UNIVERSIDADE FEDERAL DE MATO GROSSO DO SUL. |
|
Título: |
Deep4Fusion: a Deep FORage Fusion framework for high-throughput phenotyping for green and dry matter yield traits. |
|
Ano de publicação: |
2023 |
|
Fonte/Imprenta: |
Computers and Electronics in Agriculture, v. 211, 2023. |
|
Páginas: |
14 p. |
|
DOI: |
https://doi.org/10.1016/j.compag.2023.107957 |
|
Idioma: |
Inglês |
|
Conteúdo: |
Deep learning methods have become one of the fundamental blocks of high-throughput phenotyping using RGB imagery. In this study, we go beyond applying deep learning algorithms; we improve deep learning models using a multi-view fusion approach. The proposal dynamically merges information from two deep-learning models. We evaluate this approach to improve the estimation of total dry matter yield, leaf dry matter yield and total green matter yield of plots of Guineagrass, an important tropical forage species. The proposed approach, named Deep4Fusion fusion network, can be set to use two different deep learning models. The experimental results indicated that our approach improved the performance between 20% to 33% when compared with standard models reported in previous works, with a significant improvement (p-value < 0.05) for leaf dry matter and total dry matter yield. We believe that the flexibility of multi-view fusion in merging the predictions of several CNNs models through shared layers across the network has the potential to improve the results of many other single-view deep learning approaches. |
|
Thesaurus NAL: |
Forage dryers; Forage grasses; Forage yield; Phenotype. |
|
Categoria do assunto: |
-- |
|
Marc: |
LEADER 02021naa a2200301 a 4500
001 2157276
005 2023-10-17
008 2023 bl uuuu u00u1 u #d
024 7 $ahttps://doi.org/10.1016/j.compag.2023.107957$2DOI
100 1 $aRODRIGUES, L. de S.
245 $aDeep4Fusion$ba Deep FORage Fusion framework for high-throughput phenotyping for green and dry matter yield traits.$h[electronic resource]
260 $c2023
300 $a14 p.
520 $aDeep learning methods have become one of the fundamental blocks of high-throughput phenotyping using RGB imagery. In this study, we go beyond applying deep learning algorithms; we improve deep learning models using a multi-view fusion approach. The proposal dynamically merges information from two deep-learning models. We evaluate this approach to improve the estimation of total dry matter yield, leaf dry matter yield and total green matter yield of plots of Guineagrass, an important tropical forage species. The proposed approach, named Deep4Fusion fusion network, can be set to use two different deep learning models. The experimental results indicated that our approach improved the performance between 20% to 33% when compared with standard models reported in previous works, with a significant improvement (p-value < 0.05) for leaf dry matter and total dry matter yield. We believe that the flexibility of multi-view fusion in merging the predictions of several CNNs models through shared layers across the network has the potential to improve the results of many other single-view deep learning approaches.
650 $aForage dryers
650 $aForage grasses
650 $aForage yield
650 $aPhenotype
700 1 $aCAIXETA FILHO, E.
700 1 $aSAKIYAMA, K.
700 1 $aSANTOS, M. F.
700 1 $aJANK, L.
700 1 $aCARROMEU, C.
700 1 $aSILVEIRA, E.
700 1 $aMATSUBARA, E. T.
700 1 $aMARCATO JUNIOR, J.
700 1 $aGONCALVES, W. N.
773 $tComputers and Electronics in Agriculture$gv. 211, 2023.
Download
Esconder MarcMostrar Marc Completo |
|
Registro original: |
Embrapa Gado de Corte (CNPGC) |
|
|
Biblioteca |
ID |
Origem |
Tipo/Formato |
Classificação |
Cutter |
Registro |
Volume |
Status |
Fechar
|
| Nenhum registro encontrado para a expressão de busca informada. |
|
|
