| |
|
|
| Registros recuperados : 54 | |
| 41. |  | ALVES, L. G. S.; BISCOLA, P. H. N.; MALAFAIA, G. C.; DIAS, C. C.; CARROMEU, C.; ROCHA, C. C. R.; SERAFIM, F. P.; PAULA, N. Q. de. Centro de Inteligência da Carne: proposta de sistematização dos dados e informações da cadeia produtiva da carne bovina. In: JORNADA CIENTÍFICA EMBRAPA GADO DE CORTE, 9., 2013, Campo Grande, MS. [Anais da..]. Campo Grande, MS: Embrapa Gado de Corte, 2013. (Embrapa Gado de Corte. Documentos, 204). Comissão organizadora: Denise Baptaglin Montagner, Grácia Maria Soares Rosinha, Rodrigo Carvalho Alva| Biblioteca(s): Embrapa Gado de Corte. |
|    |
| 42. | | 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. |
|  |
| 43. | | 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. |
| |
| 44. | | 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. |
| |
| 46. | | DE SOUZA, D. C. G.; RIGHES, B. S.; RODRIGUES FILHO, J. R.; LIMA, R. J. S. C.; QUEIROZ, H. P. de; CARROMEU, C. Serviço Móvel de Atendimento ao Cidadão: SAC Mobile. In: JORNADA CIENTÍFICA EMBRAPA GADO DE CORTE, 8., 2012, Campo Grande, MS. [Anais da..]. Campo Grande, MS: Embrapa Gado de Corte, 2012. 2 p. (Embrapa Gado de Corte. Documentos, 198).| Biblioteca(s): Embrapa Gado de Corte. |
| |
| 47. | | SILVEIRA, E. S.; SANTOS, M. F.; CARROMEU, C.; JANK, L.; BARRIOS, S. C. L.; VALLE, C. B. do; SIMEÃO, R. M. Utilização de drone com diferentes Ground Sample Distance para obtenção de dados fenotípicos de forrageiras. 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. 30-31| Biblioteca(s): Embrapa Gado de Corte. |
| |
| 48. | | SALMAN, A. K. D.; ANDRADE, C. M. S. de; OLIVEIRA, T. K. de; CASTRO JUNIOR, A. A. de; CARROMEU, C.; CARVALHO, M. de A.; ALVES, F. V.; CRUZ, P. G. da; SILVA, R. K. da; JESUS, A. C. S. de. Arbopasto - versão 1.0: aplicativo para auxiliar na escolha de árvores nativas para pastagens. Porto Velho, RO: Embrapa Rondônia, 2020. 12 p. (Embrapa Rondônia. Comunicado técnico, 414).| Biblioteca(s): Embrapa Acre; Embrapa Rondônia. |
| |
| 49. | | CASTRO, W.; MARCATO JUNIOR, J.; POLIDORO, C.; OSCO, L. P.; GONÇALVES, W.; RODRIGUES, L.; SANTOS, M. F.; JANK, L.; BARRIOS, S. C. L.; RESENDE, R. M. S.; CARROMEU, C.; SILVEIRA, E.; JORGE, L. A. de C. Deep learning applied to phenotyping of biomass in forages with UAV-based RGB imagery. Sensors v. 20, a. 4802, 2020. 1 - 18| Biblioteca(s): Embrapa Gado de Corte; Embrapa Instrumentação. |
| |
| 50. | | 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. |
| |
| 51. | | BARRIOS, S. C. L.; CARROMEU, C.; BARRIGOSSE, F. F.; MARTUSCELLO, J. A.; CUNHA, D. de N. F. V. da; EUCLIDES, V. P. B.; MONTAGNER, D. B.; MATSUBARA, E. T.; SILVA, M. A. I. da. Pasto Certo - versão 4.0: aplicativo para dispositivos móveis e desktop sobre forrageiras tropicais. Campo Grande, MS: Embrapa Gado de Corte, 2024. 18 p. (Embrapa Gado de Corte. Comunicado técnico, 171).| Biblioteca(s): Embrapa Gado de Corte. |
| |
| 52. | | SOUZA, K. X. S. de; OLIVEIRA JUNIOR, A. de; CARROMEU, C.; OLIVEIRA, E. B. de; D'OLIVEIRA, F. M.; FALEIRO, F. G.; JORGE, L. A. de C.; ARBEX, W. A. Tecnologia da Informação na Agropecuária - estado da arte, tendências futuras e proposta de atuação. Campinas: Embrapa Informática Agropecuária, 2017. 50 p. il. (Embrapa informática Agropecuária. Documentos, 154).| Biblioteca(s): Embrapa Agricultura Digital; Embrapa Cerrados; Embrapa Florestas; Embrapa Gado de Leite; Embrapa Instrumentação; Embrapa Soja. |
| |
| 53. | | OLIVEIRA, G. S. de; MARCATO JUNIOR, J.; POLIDORO, C.; OSCO, L. P.; SIQUEIRA, H.; RODRIGUES, L.; JANK, L.; BARRIOS, S. C. L.; VALLE, C.; SIMEÃO, R. M.; CARROMEU, C.; SILVEIRA, E.; JORGE, L. A. de C.; GONÇALVES, W.; SANTOS, M. F.; MATSUBARA, E. Convolutional Neural Networks to Estimate Dry Matter Yield in a Guineagrass Breeding Program Using UAV Remote Sensing. Sensors, v. 21, n. 3971, 2021.| Biblioteca(s): Embrapa Gado de Corte; Embrapa Instrumentação. |
| |
| 54. | | 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 : 54 | |
|
|
|
 | 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. |
|
|
