Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
MTZ-Fachkongress

Antriebe und Energiesysteme von morgen


Austausch von Automobil- und Energiewirtschaft

Am 14./15. Mai geht es in Chemnitz um die Mobilitätswende durch Elektro- und Wasserstofffahrzeuge.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Improving Image Caption Performance with Linguistic Context Kapitel lesen Erstes Kapitel lesen

2020 | OriginalPaper | Buchkapitel

VIP-STB Farm: Scale-up Village to County/Province Level to Support Science and Technology at Backyard (STB) Program

verfasst von : Yijun Yan, Sophia Zhao, Yuxi Fang, Yuren Liu, Zhongxin Chen, Jinchang Ren

Erschienen in: Advances in Brain Inspired Cognitive Systems

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

In this paper, we introduce a new concept in VIP-STB, a funded project through Agri-Tech in China: Newton Network+ (ATCNN), in developing feasible solutions towards scaling-up STB from village level to upper level via some generic models and systems. There are three tasks in this project, i.e. normalized difference vegetation index (NDVI) estimation, wheat density estimation and household-based small farms (HBSF) engagement. In the first task, several machine learning models have been used to evaluate the performance of NDVI estimation. In the second task, integrated software via Python and Twilio is developed to improve communication services and engagement for HBSFs, and provides technical capabilities. In the third task, crop density/population is predicted by conventional image processing techniques. The objectives and strategy for VIP-STB are described, experimental results on each task are presented, and more details on each model that has been implemented are also provided with future development guidance.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel MSA-Net: Multiscale Spatial Attention Network for the Classification of Breast Histology Images
Nächstes Kapitel A User Profile Based Medical Recommendation System
Literatur
1.
Hoerl, A.E., Kannard, R.W., Baldwin, K.F.: Ridge regression: some simulations. Commun. Stat.-Theory Methods 4, 105–123 (1975)MATH
2.
3.
Chang, C.-C., Lin, C.-J.: LIBSVM a library for support vector machines. ACM Trans. Intell. Syst. Technol. (TIST) 2, 27 (2011)
4.
Warsito, B., Santoso, R., Yasin, H.: Cascade forward neural network for time series prediction. J. Phys.: Conf. Ser. 1025, 012097 (2018)
5.
6.
Huang, P.-S., Avron, H., Sainath, T.N., Sindhwani, V., Ramabhadran, B.: Kernel methods match deep neural networks on timit. In: 2014 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), pp. 205–209 (2014)
7.
Rahimi, A., Recht, B.: Random features for large-scale kernel machines. In: Advances in Neural Information Processing Systems, pp. 1177–1184 (2008)
8.
Tschannerl, J., Ren, J., Jack, F., Krause, J., Zhao, H., Huang, W., et al.: Potential of UV and SWIR hyperspectral imaging for determination of levels of phenolic flavour compounds in peated barley malt. Food Chem. 270, 105–112 (2019)CrossRef
9.
Padfield, N., Zabalza, J., Zhao, H., Masero, V., Ren, J.: EEG-based brain-computer interfaces using motor-imagery: techniques and challenges. Sensors 19, 1423 (2019)CrossRef
10.
Zhang, W., Goh, A.T.: Multivariate adaptive regression splines and neural network models for prediction of pile drivability. Geosci. Front. 7, 45–52 (2016)CrossRef
11.
Tschannerl, J., Ren, J., Yuen, P., Sun, G., Zhao, H., Yang, Z., et al.: MIMR-DGSA: unsupervised hyperspectral band selection based on information theory and a modified discrete gravitational search algorithm. Inf. Fusion 51, 189–200 (2019)CrossRef
12.
Wang, Q., Lin, J., Yuan, Y.: Salient band selection for hyperspectral image classification via manifold ranking. IEEE Trans. Neural Netw. Learn. Syst. 27, 1279–1289 (2016)CrossRef
13.
Zabalza, J., Ren, J., Zheng, J., Zhao, H., Qing, C., Yang, Z., et al.: Novel segmented stacked autoencoder for effective dimensionality reduction and feature extraction in hyperspectral imaging. Neurocomputing 185, 1–10 (2016)CrossRef
14.
Silver, D., Huang, A., Maddison, C.J., Guez, A., Sifre, L., Van Den Driessche, G., et al.: Mastering the game of go with deep neural networks and tree search. Nature 529, 484 (2016)CrossRef
15.
Yan, Y., Ren, J., Sun, G., Zhao, H., Han, J., Li, X., et al.: Unsupervised image saliency detection with Gestalt-laws guided optimization and visual attention based refinement. Pattern Recogn. 79, 65–78 (2018)CrossRef
16.
Xie, X., Xie, G., Xu, X., Cui, L., Ren, J.: Automatic image segmentation with superpixels and image-level labels. IEEE Access 7, 10999–11009 (2019)CrossRef
17.
Xu, X., Li, G., Xie, G., Ren, J., Xie, X.: Weakly supervised deep semantic segmentation using CNN and ELM with semantic candidate regions. Complexity 2019, 1–12 (2019). Paper ID 9180391
Metadaten
Titel
VIP-STB Farm: Scale-up Village to County/Province Level to Support Science and Technology at Backyard (STB) Program
verfasst von
Yijun Yan
Sophia Zhao
Yuxi Fang
Yuren Liu
Zhongxin Chen
Jinchang Ren
Copyright-Jahr
2020
Buch
Advances in Brain Inspired Cognitive Systems

Print ISBN: 978-3-030-39430-1

Electronic ISBN: 978-3-030-39431-8

Copyright-Jahr: 2020

DOI
https://doi.org/10.1007/978-3-030-39431-8_27

Premium Partner

    Bildnachweise