Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Mississippi State University | - |
Autor(es): dc.contributor | University of Wisconsin | - |
Autor(es): dc.contributor | Forest Products Laboratory | - |
Autor(es): dc.contributor | Universidad Nacional Agraria La Molina | - |
Autor(es): dc.contributor | Purdue University | - |
Autor(es): dc.contributor | Universidade Estadual Paulista (UNESP) | - |
Autor(es): dc.creator | Owens, Frank C. | - |
Autor(es): dc.creator | Ravindran, Prabu | - |
Autor(es): dc.creator | Costa, Adriana | - |
Autor(es): dc.creator | Chavesta, Manuel | - |
Autor(es): dc.creator | Montenegro, Rolando | - |
Autor(es): dc.creator | Shmulsky, Rubin | - |
Autor(es): dc.creator | Wiedenhoeft, Alex C. | - |
Data de aceite: dc.date.accessioned | 2025-08-21T16:41:32Z | - |
Data de disponibilização: dc.date.available | 2025-08-21T16:41:32Z | - |
Data de envio: dc.date.issued | 2025-04-29 | - |
Data de envio: dc.date.issued | 2023-12-31 | - |
Fonte completa do material: dc.identifier | http://dx.doi.org/10.1163/22941932-bja10167 | - |
Fonte completa do material: dc.identifier | https://hdl.handle.net/11449/306402 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/306402 | - |
Descrição: dc.description | Distribution shift, a phenomenon in machine learning characterized by a change in input data distribution between training and testing, can reduce the predictive accuracy of deep learning models. As operator and hardware conditions at the time of training are not always consistent with those after deployment, computer vision wood identification (CVWID) models are potentially susceptible to the negative impacts of distribution shift in the field. To maximize the robustness of CVWID models, it is critical to evaluate the influence of distribution shifts on model performance. In this study, a previously published 24-class CVWID model for Peruvian timbers was evaluated on images of test specimens digitally perturbed to simulate four kinds of image variations an operator might encounter in the field including (1) red and blue color shifts to simulate sensor drift or the effects of disparate sensors; (2) resizing to simulate different magnifications that could result from using different or improperly calibrated hardware; (3) digital scratches to simulate artifacts of specimen preparation; and (4) a range of blurring effects to simulate out-of-focus images. The model was most robust to digital scratches, moderately robust to red shift and smaller areas of medium-to-severe blur, and was least robust to resizing, blue shift, and large areas of medium-to-severe blur. These findings emphasize the importance of formulating and consistently applying best practices to reduce the occurrence of distribution shift in practice and standardizing imaging hardware and protocols to ensure dataset compatibility across CVWID platforms. | - |
Descrição: dc.description | Department of Sustainable Bioproducts Mississippi State University | - |
Descrição: dc.description | Department of Botany University of Wisconsin | - |
Descrição: dc.description | Center for Wood Anatomy Research USDA Forest Service Forest Products Laboratory | - |
Descrição: dc.description | Department of Wood Industry Universidad Nacional Agraria La Molina | - |
Descrição: dc.description | Department of Forestry and Natural Resources Purdue University | - |
Descrição: dc.description | Departamento de Ciências Biológicas (Botânica) Universidade Estadual Paulista - Botucatu | - |
Descrição: dc.description | Departamento de Ciências Biológicas (Botânica) Universidade Estadual Paulista - Botucatu | - |
Idioma: dc.language | en | - |
Relação: dc.relation | IAWA Journal | - |
???dc.source???: dc.source | Scopus | - |
Palavras-chave: dc.subject | computer vision | - |
Palavras-chave: dc.subject | deep learning | - |
Palavras-chave: dc.subject | distribution shift | - |
Palavras-chave: dc.subject | illegal logging | - |
Palavras-chave: dc.subject | machine learning | - |
Palavras-chave: dc.subject | Peruvian wood identification | - |
Palavras-chave: dc.subject | XyloTron | - |
Título: dc.title | Robustness of a macroscopic computer-vision wood identification model to digital perturbations of test images | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositório Institucional - Unesp |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: