Shadowing Practice: Controlled Multi-modal Image Generation for Plant Growth Modeling - Learn English Speaking with Video
בחר מצב תרגול
כל מצב פותח חדר תרגול במסך מלא.
68 משפטים
אם המשפטים קצרים או ארוכים מדי, לחץ על ערוך כדי להתאים אותם.
1
Hello my name is Libana Roscher
2
and I want to present our paper Controlled multimodal image generation for plant growth modeling
3
which was presented at the international conference on pattern recognition last summer.
4
So when we have a look at such an aquaculture field
5
and we work with robotics and with machine learning methods for phenotyping
6
we can ask ourselves different questions
7
so for example we can ask what is on the field
8
which is a typical classification task
9
or we can ask what is the yield in a specific area
10
which is a typical regression task
11
or we can ask ourselves what will a plant look like in the future
12
and this is a forecasting tasks
13
and this is exactly the question we addressed in our paper
14
so imagine the following scenario you already know that
15
when plants grow closely together this can be very beneficial
16
so for example it can increase the biomass the crucial question is now what is actually a good mixture
17
and so what you can do is you can test different mixtures then you can collect data
18
and then you can learn a model from this information
19
and this model relates the information from what we have measured to a parameter like the biomass
20
so you have a relationship between the mixtures and the biomass
21
and then the good thing is this model can be applied to new mixtures
22
and these new mixtures were not tested yet in the field before
23
so you get an idea what potential good mixtures are
24
And one problem is now that one might be interested in the biomass
25
and the other might be interested in the spread of diseases.
26
So it would be good to combine this and to get complete information.
27
And this can be done if you model the whole appearance with plants, that means if you generate images.
28
And with this you are flexible in what you do with the result
29
because it can be treated such as an artificial sensor measurement.
30
So in order to generate such images we used
31
so -called generative adversarial networks illustrated here and this is a neural network consisting of two parts.
32
So one part is the generator G and this generator is responsible to generate images.
33
The other part is the discriminator, and the discriminator helps to train the generator to generate really good images.
34
The discriminator does it by trying to distinguish between real images and images which were generated by the generator.
35
So in the best case, the generator generates such good images
36
that the discriminator can no longer distinguish between a real image
37
and an image which was generated but there's one crucial thing
38
which is important for our application
39
so we do not want only want to generate an arbitrary
40
nice -looking image we want to condition on specific factors on specific things
41
and one important thing is we want to condition on the appearance of an of an additional input image
42
which is from an earlier point in time
43
and the second important thing is we want to condition on
44
so -called factors of variation and these factors of variation are factors
45
which influence the appearance of the of the plants
46
and the novelty of our paper is exactly this part
47
because on the one hand we learned the representation
48
which is useful for the machine learning model but on the other side it was
49
Because we can also easily and intuitively change these factors of variation so that we can produce different scenarios, different outcomes.
50
And so here you can see results of
51
which we presented in our paper where we generated images with chain factors of variation.
52
So our dataset contains UAV images, which were captures in Kampus -Klein -Altendorf,
53
where we have different mixtures of spring wheat and faba bean.
54
And we also collected different factors of variation, which belong to these mixtures.
55
And they are illustrated in green and light blue and in dark blue.
56
And on the left, you can see the input image, which is from an early growth stage.
57
And this is the real scene from a later growth stage and the measured factors of variation.
58
And these images are all generated images.
59
So here we change the factors of variation.
60
So for example, on the very right image, you can see we set all factors of variation for Faba bean to zero.
61
And actually there are no Faba bean plants in the generated image.
62
So we can clearly control and manipulate how the images can be generated it
63
and from these images we can now derive specific parameters pointing
64
us to potential promising mixtures we can later test in the
65
field with this thank you very much for listening you can find the paper by scanning the qr code
66
and if you are more interested in this research direction you can go to our website
67
or you can have a look in my YouTube channel.
68
Thanks a lot!
הורד אפליקציה
כל מה שאתה צריך כדי לדבר בשטף
הגיית AIציון לכל משפט
תרגול IPAשלוט בכל צליל
אוצר מיליםבנה את מאגר המילים שלך
משחק אוצר מיליםלמד תוך כדי משחק
FOR YOU
המלץ על סרטון
![SANA-Video: Efficient Video Generation with Block Linear Diffusion Transformer, [ICLR 2026, Oral]](https://img.youtube.com/vi/bHHL691_IPo/mqdefault.jpg)
C11
125 משפטים
SANA-Video: Efficient Video Generation with Block Linear Diffusion Transformer, [ICLR 2026, Oral]
Daily ConversationUniversity Students
C11
34 משפטים
You're Not Hallucinating. That's Just Squid Skin. | Deep Look
Daily ConversationUniversity Students
C12
31 משפטים
Why schools of the future will be designed with geneticists | Kathryn Paige Harden
Daily ConversationUniversity Students
C12
175 משפטים
What is a PLC and how does it work?
Daily ConversationUniversity StudentsWorking Adults
C11
60 משפטים
Faces of Chemistry: Organic solar cells (BASF) - Video 2 (14+)
Daily ConversationUniversity Students
C110
45 משפטים
Agriculture for Improved Nutrition and Health (CRP4)
Daily ConversationUniversity StudentsWorking Adults
C11
34 משפטים
What Is Chain-of-Thought Prompting in Generative AI?
Daily ConversationUniversity Students
C11
470 משפטים
2026-05-05 Tufts Capstone project presentation
Daily ConversationUniversity Students
C11
108 משפטים
How I Learned Procedural Generation
Daily ConversationUniversity StudentsWorking Adults
C11
321 משפטים
Mixture of Experts Explained Visually: How Trillion-Parameter Models Actually Work
Daily ConversationUniversity Students
C14
28 משפטים
Neural Radiance Fields in 2 Minutes
Daily ConversationUniversity Students
C11
114 משפטים
Harnessing generative AI in architecture, engineering & construction
Daily ConversationUniversity StudentsWorking Adults
אוצר מילים והערות הגייה לשיעור הזה
שיעור הדיבור הזה ברמה C1 מבוסס על הסרטון “Controlled Multi-modal Image Generation for Plant Growth Modeling”. המילים שחוזרות הכי הרבה: image, factors, mixture, variation, generate. בסרטון הזה יש 68 משפטים ו-833 מילים לתרגול Shadowing. הדיבור נמשך 5:39. הדובר שומר על קצב יציב של כ-147 מילים בדקה, קצב נוח לתרגול Shadowing. 85% מהמילים נמצאות בין 3,000 המילים הנפוצות ביותר באנגלית; כדאי ללמוד את השאר לפני שמתחילים.
אוצר מילים מרכזי בסרטון הזה
12 המילים המתקדמות ביותר בסרטון, עם ההגייה והמשמעות שלהן:
| מילה | הגייה | משמעות |
|---|---|---|
| generator שם עצם | /ˈdʒɛnəɹeɪtə(ɹ)/ | מְחוֹלֵל, גֵּנֵרָטוֹר |
| biomass שם עצם | /ˈbaɪoʊˌmæs/ | בִּיּוֹמַסָּה |
| bean שם עצם | /ˈbi(ː)n/ | שְׁעוּעִית |
| illustrate פועל | /ˈɪl.əˌstɹeɪt/ | הִמְחִישׁ |
| distinguish פועל | /dɪˈstɪŋ.ɡwɪʃ/ | הבחין |
| robotics שם עצם | /ɹoʊˈbɑ.tɪks/ | רוֹבּוֹטִיקָה |
| arbitrary שם תואר | /ˈɑː.bɪ.tɹə.ɹi/ | שרירותי, שרירותית |
| wheat שם עצם | /ˈwiːt/ | חִיטָּה |
| measurement שם עצם | /ˈmɛʒ.ə.mənt/ | מְדִידָה |
| scan פועל | /skæn/ | סָרַק |
| beneficial שם תואר | /ˌbɛn.ɪˈfɪʃ.əl/ | מועיל, מיטיב |
| forecast שם עצם | /ˈfɔːkɑːst/ | תַּחֲזִית |
דקדוק בסרטון הזה
המבנים שהדובר משתמש בהם הכי הרבה, עם המילים המדויקות מהסרטון:
| מבנה | בסרטון |
|---|---|
| סביל (Passive voice) be + past participle — הדגש הוא על מה שקורה, לא על מי שעושה את הפעולה | was presented · can be applied · were not tested |
| משפטי זיקה (Relative clauses) who / which + clause — מידע נוסף על אדם או דבר | images which were · image which was · images, which were |
הגייה ששווה לשים לב אליה
- הצלילים של “sh” ו-“zh”: variation /ˌvɛəɹiˈeɪʃn̩/, distinguish /dɪˈstɪŋ.ɡwɪʃ/, regression /ɹiːˈɡɹɛʃ.ən/, measurement /ˈmɛʒ.ə.mənt/, beneficial /ˌbɛn.ɪˈfɪʃ.əl/
- מילים ארוכות — שימו לב להטעמה: generator /ˈdʒɛnəɹeɪtə(ɹ)/, parameter /pəˈɹæm.ə.tɚ/, adversarial /ˌæd.vɚˈsɛɚ.i.əl/, aquaculture /ˈækwəˌkʌlt͡ʃɚ/, generative /ˈd͡ʒɛnəɹətɪv/
צלילים שדוברי עברית מתקשים בהם:
- /w/ — שפתיים מעוגלות, לא /v/: distinguish /dɪˈstɪŋ.ɡwɪʃ/, aquaculture /ˈækwəˌkʌlt͡ʃɚ/, wheat /ˈwiːt/
- /æ/ — פתוח יותר מה-“אֶ” העברית, לא כמו “a” ב-“cup”: biomass /ˈbaɪoʊˌmæs/, parameter /pəˈɹæm.ə.tɚ/, adversarial /ˌæd.vɚˈsɛɚ.i.əl/, aquaculture /ˈækwəˌkʌlt͡ʃɚ/, scan /skæn/
- /r/ — הלשון לא נוגעת בשום מקום, לא ה-“ר” הגרונית: variation /ˌvɛəɹiˈeɪʃn̩/, generator /ˈdʒɛnəɹeɪtə(ɹ)/, parameter /pəˈɹæm.ə.tɚ/, illustrate /ˈɪl.əˌstɹeɪt/, generative /ˈd͡ʒɛnəɹətɪv/
איך לתרגל עם הסרטון הזה
- הקשיבו לכל הסרטון פעם אחת בלי לדבר, ורשמו את המילים שאתם לא מכירים.
- תרגלו Shadowing משפט אחר משפט במהירות רגילה, וחזרו על כל משפט עד שהקצב שלכם תואם את הדובר.
- הקליטו את עצמכם והשוו למקור, תוך תשומת לב למילים כמו generator, biomass, bean.
מהי טכניקת השאדואינג?
שאדואינג היא טכניקת למידת שפה מבוססת מדע שפותחה במקור להכשרת מתורגמנים מקצועיים ופופולרית על ידי הפוליגלוט ד"ר אלכסנדר ארגואלס. השיטה פשוטה אך עוצמתית: אתה מקשיב לאודיו באנגלית ילידית וחוזר עליו בקול רם מיד — כמו צל העוקב אחרי הדובר עם עיכוב של 1–2 שניות בלבד. בניגוד להאזנה פסיבית או תרגילי דקדוק, שאדואינג מכריח את המוח והשרירים בפה לעבד ולשחזר דפוסי דיבור אמיתיים בו זמנית. מחקרים מראים שזה משפר משמעותית את דיוק ההגייה, האינטונציה, הקצב, הדיבור המחובר, הבנת השמיעה ושטף הדיבור — מה שהופך אותו לאחת השיטות היעילות ביותר להכנה לIELTS Speaking ולתקשורת באנגלית בעולם האמיתי.