論文の概要: Small, Sparse, but Substantial: Techniques for Segmenting Small Agricultural Fields Using Sparse Ground Data

• arxiv url: http://arxiv.org/abs/2005.01947v1
• Date: Tue, 5 May 2020 05:26:19 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-06 14:37:18.646387
• Title: Small, Sparse, but Substantial: Techniques for Segmenting Small Agricultural Fields Using Sparse Ground Data
• Title（参考訳）: 小規模,スパースな,しかし実質的な:スパースな土地データを用いた小規模農地の分別技術
• Authors: Smit Marvaniya, Umamaheswari Devi, Jagabondhu Hazra, Shashank Mujumdar and Nitin Gupta
• Abstract要約: 機械学習と画像処理を組み合わせた多段階的手法を提案する。 高分解能画像を用いた評価では,Fスコアが0.84で,Fスコアが0.73,小フィールドが0.84であった。
• 参考スコア（独自算出の注目度）: 4.850320383827591
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The recent thrust on digital agriculture (DA) has renewed significant research interest in the automated delineation of agricultural fields. Most prior work addressing this problem have focused on detecting medium to large fields, while there is strong evidence that around 40\% of the fields world-wide and 70% of the fields in Asia and Africa are small. The lack of adequate labeled images for small fields, huge variations in their color, texture, and shape, and faint boundary lines separating them make it difficult to develop an end-to-end learning model for detecting such fields. Hence, in this paper, we present a multi-stage approach that uses a combination of machine learning and image processing techniques. In the first stage, we leverage state-of-the-art edge detection algorithms such as holistically-nested edge detection (HED) to extract first-level contours and polygons. In the second stage, we propose image-processing techniques to identify polygons that are non-fields, over-segmentations, or noise and eliminate them. The next stage tackles under-segmentations using a combination of a novel ``cut-point'' based technique and localized second-level edge detection to obtain individual parcels. Since a few small, non-cropped but vegetated or constructed pockets can be interspersed in areas that are predominantly croplands, in the final stage, we train a classifier for identifying each parcel from the previous stage as an agricultural field or not. In an evaluation using high-resolution imagery, we show that our approach has a high F-Score of 0.84 in areas with large fields and reasonable accuracy with an F-Score of 0.73 in areas with small fields, which is encouraging.
• Abstract（参考訳）: 近年のデジタル農業(DA)の推進により、農業分野の自動化に関する研究が活発化している。 この問題に取り組むほとんどの以前の研究は中規模から大規模のフィールドの検出に重点を置いてきたが、アジアとアフリカのフィールドの約40%と70%は小さいという強い証拠がある。 小フィールドに対する適切なラベル付き画像の欠如,色,テクスチャ,形状の相違,境界線を分離することで,そのようなフィールドを検出するエンド・ツー・エンドの学習モデルの開発が困難になる。 そこで本稿では,機械学習と画像処理を組み合わせた多段階アプローチを提案する。 第1段階では,HED(holistically-nested edge detection)などの最先端エッジ検出アルゴリズムを利用して,第1レベルの輪郭やポリゴンを抽出する。 第2段階では、非場、過分割、ノイズであるポリゴンを識別し、除去する画像処理手法を提案する。 次の段階は、新しい ``cut-point'' ベースの技術とローカライズされた第2レベルのエッジ検出を組み合わせて、個々の小包を得るアンダーセグメンテーションに取り組む。 最終段階では、前段から農耕地として識別する分類器を訓練する。 高分解能画像を用いた評価では,Fスコアが0.84で,Fスコアが0.73,小フィールドが0.84,小フィールドが0.84である。

関連論文リスト

• Plant detection from ultra high resolution remote sensing images: A Semantic Segmentation approach based on fuzzy loss [2.6489824612123716]
  超高解像度(UHR)リモートセンシング画像から植物種を識別する課題に取り組む。 我々のアプローチは、ミリレベルの空間分解能を特徴とするRGBリモートセンシングデータセットの導入である。 UHRデータセットと公開データセットの両方で得られた最初の実験結果が提示され、提案手法の妥当性が示された。
  論文  参考訳（メタデータ） (2024-08-31T17:40:17Z)
• Multi-Region Transfer Learning for Segmentation of Crop Field Boundaries in Satellite Images with Limited Labels [6.79949280366368]
  本稿では,ラベル付きデータを持たない地域での衛星画像における作物の畑の境界のセグメンテーションについて述べる。 提案手法は既存の手法よりも優れており,マルチリージョン転送学習によって複数のモデルアーキテクチャの性能が大幅に向上することを示す。
  論文  参考訳（メタデータ） (2024-03-29T22:24:12Z)
• HarvestNet: A Dataset for Detecting Smallholder Farming Activity Using Harvest Piles and Remote Sensing [50.4506590177605]
  HarvestNetは、2020-2023年のエチオピアのティグレイとアムハラの農場の存在をマッピングするためのデータセットである。 本研究は,多くの小作システムの特徴ある収穫杭の検出に基づく新しい手法を提案する。 本研究は, 農作物のリモートセンシングが, 食品の安全地帯において, よりタイムリーかつ正確な農地評価に寄与することが示唆された。
  論文  参考訳（メタデータ） (2023-08-23T11:03:28Z)
• Multispectral Image Segmentation in Agriculture: A Comprehensive Study on Fusion Approaches [0.9790238684654974]
  本稿では, 農業分野における分断プロセスを強化するために, 融合アプローチの利用に焦点をあてる。 本研究では,RGBとNDVIを入力として組み合わせ,異なる融合手法を比較した。 実験により,エッジ検出やしきい値設定などの手法を応用した古典的セグメンテーション手法が,DLベースのアルゴリズムと効果的に競合できることが明らかになった。
  論文  参考訳（メタデータ） (2023-07-31T21:24:41Z)
• Extended Agriculture-Vision: An Extension of a Large Aerial Image Dataset for Agricultural Pattern Analysis [11.133807938044804]
  農業ビジョンデータセットの改良版(Chiu et al., 2020b)をリリースする。 このデータセットは,3600大,高解像度(10cm/ピクセル),フルフィールド,赤緑色,近赤外画像の事前トレーニングにより拡張する。 下流分類とセマンティックセグメンテーションの両タスクにおいて、異なるコントラスト学習アプローチをベンチマークすることで、このデータの有用性を実証する。
  論文  参考訳（メタデータ） (2023-03-04T17:35:24Z)
• Unlocking large-scale crop field delineation in smallholder farming systems with transfer learning and weak supervision [14.98900824231117]
  作物畑の境界は、作物の種類をマッピングし、収穫量を予測し、農家に大規模分析を提供する。 近年、産業用農業システムにおける分野境界の定式化にディープラーニングの応用が成功している。 インドでは1万のフィールドラベルを効率よく生成する手法が成功している。
  論文  参考訳（メタデータ） (2022-01-13T03:01:06Z)
• Grasp-Oriented Fine-grained Cloth Segmentation without Real Supervision [66.56535902642085]
  本稿では, 深度画像のみを用いて, 変形した衣服のきめ細かい領域検出の問題に取り組む。 最大で6つの意味領域を定義し, 首の縁, スリーブカフ, ヘム, 上と下をつかむ点を含む。 これらの部品のセグメント化とラベル付けを行うために,U-net ベースのネットワークを導入する。 合成データのみを用いてネットワークをトレーニングし、提案したDAが実データでトレーニングしたモデルと競合する結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-10-06T16:31:20Z)
• Potato Crop Stress Identification in Aerial Images using Deep Learning-based Object Detection [60.83360138070649]
  本稿では, 深層ニューラルネットワークを用いたジャガイモの空中画像解析手法を提案する。 主な目的は、植物レベルでの健康作物とストレス作物の自動空間認識を実証することである。 実験により、フィールド画像中の健康植物とストレス植物を識別し、平均Dice係数0.74を達成できることを示した。
  論文  参考訳（メタデータ） (2021-06-14T21:57:40Z)
• Semi-Supervised Semantic Segmentation in Earth Observation: The MiniFrance Suite, Dataset Analysis and Multi-task Network Study [82.02173199363571]
  我々は,地球観測における半教師付きセマンティックセマンティックセグメンテーションのための新しい大規模データセット,MiniFranceスイートを紹介した。 MiniFranceにはいくつかの前例のない特性があり、2000以上の超高解像度の空中画像を含み、200億枚以上のサンプル(ピクセル)を処理している。 外観の類似性やMiniFranceデータの徹底的な研究からデータ代表性分析のためのツールを提案し,半教師付き環境での学習や一般化に適していることを示す。
  論文  参考訳（メタデータ） (2020-10-15T15:36:58Z)
• Refined Plane Segmentation for Cuboid-Shaped Objects by Leveraging Edge Detection [63.942632088208505]
  本稿では,セグメント化された平面マスクを画像に検出されたエッジと整列するための後処理アルゴリズムを提案する。 これにより、立方体形状の物体に制限を加えながら、最先端のアプローチの精度を高めることができます。
  論文  参考訳（メタデータ） (2020-03-28T18:51:43Z)
• Saliency Enhancement using Gradient Domain Edges Merging [65.90255950853674]
  本研究では,エッジとサリエンシマップをマージして,サリエンシマップの性能を向上させる手法を開発した。 これにより、DUT-OMRONデータセットの少なくとも3.4倍の平均的な改善により、エッジ(SEE)を使用したサリエンシ向上が提案された。 SEEアルゴリズムは前処理のためのSEE-Preと後処理のためのSEE-Postの2つの部分に分けられる。
  論文  参考訳（メタデータ） (2020-02-11T14:04:56Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。