論文の概要: Towards Infield Navigation: leveraging simulated data for crop row detection

• arxiv url: http://arxiv.org/abs/2204.01811v1
• Date: Mon, 4 Apr 2022 19:28:30 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-07 00:37:50.748328
• Title: Towards Infield Navigation: leveraging simulated data for crop row detection
• Title（参考訳）: インフィールドナビゲーションに向けて : 模擬データを活用した作物列検出
• Authors: Rajitha de Silva, Grzegorz Cielniak, Junfeng Gao
• Abstract要約: シミュレーションによって生成されたデータとともに、小さな実世界のデータセットの利用を提案し、大規模な実世界のデータセットで訓練されたモデルと同様の作物列検出性能を得る。 提案手法は,実世界データを用いて学習した深層学習に基づく作物列検出モデルの性能を60%低減した実世界データを用いて達成することができる。
• 参考スコア（独自算出の注目度）: 6.088167023055281
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Agricultural datasets for crop row detection are often bound by their limited number of images. This restricts the researchers from developing deep learning based models for precision agricultural tasks involving crop row detection. We suggest the utilization of small real-world datasets along with additional data generated by simulations to yield similar crop row detection performance as that of a model trained with a large real world dataset. Our method could reach the performance of a deep learning based crop row detection model trained with real-world data by using 60% less labelled real-world data. Our model performed well against field variations such as shadows, sunlight and grow stages. We introduce an automated pipeline to generate labelled images for crop row detection in simulation domain. An extensive comparison is done to analyze the contribution of simulated data towards reaching robust crop row detection in various real-world field scenarios.
• Abstract（参考訳）: 作物の列検出のための農業データセットは、しばしば限られた数の画像によって拘束される。 これにより、作物列の検出を含む精密農業タスクのためのディープラーニングベースのモデルの開発が制限される。 シミュレーションによって生成されたデータとともに、小さな実世界のデータセットの利用を提案し、大規模な実世界のデータセットで訓練されたモデルと同様の作物列検出性能を得る。 本手法は,実世界データを用いて学習した深層学習に基づく作物列検出モデルの性能を60%低減する。 モデルは, 影, 日光, 成長ステージなどのフィールド変動に対して良好に機能した。 シミュレーション領域における作物列検出のためのラベル付き画像を生成する自動パイプラインを提案する。 実世界の様々なシナリオにおけるロバストな作物列検出へのシミュレーションデータの寄与を分析するために,詳細な比較を行った。

関連論文リスト

• LAESI: Leaf Area Estimation with Synthetic Imagery [13.145253458335464]
  LAESIは合成葉画像10万枚をミリ紙上に合成した合成葉データである。 このデータセットは、ブナとオークの葉を対象とした葉の形態解析のリソースを提供する。 葉の表面積予測とセマンティックセグメンテーションのための機械学習モデルを訓練することにより,データセットの適用性を評価する。
  論文  参考訳（メタデータ） (2024-03-31T07:56:07Z)
• Deep Domain Adaptation: A Sim2Real Neural Approach for Improving Eye-Tracking Systems [80.62854148838359]
  眼球画像のセグメンテーションは、最終視線推定に大きな影響を及ぼす眼球追跡の重要なステップである。 対象視線画像と合成訓練データとの重なり合いを測定するために,次元還元法を用いている。 提案手法は,シミュレーションと実世界のデータサンプルの相違に対処する際の頑健で,性能が向上する。
  論文  参考訳（メタデータ） (2024-03-23T22:32:06Z)
• Modified CycleGAN for the synthesization of samples for wheat head segmentation [0.09999629695552192]
  注釈付きデータセットがない場合は、モデル開発に合成データを使用することができる。 そこで我々は,小麦頭部分割のための現実的な注釈付き合成データセットを開発した。 その結果、Diceのスコアは内部データセットで83.4%、外部のGlobal Wheat Head Detectionデータセットで83.6%に達した。
  論文  参考訳（メタデータ） (2024-02-23T06:42:58Z)
• Exploring the Effectiveness of Dataset Synthesis: An application of Apple Detection in Orchards [68.95806641664713]
  本研究では,リンゴ樹の合成データセットを生成するための安定拡散2.1-baseの有用性について検討する。 我々は、現実世界のリンゴ検出データセットでリンゴを予測するために、YOLOv5mオブジェクト検出モデルを訓練する。 その結果、実世界の画像でトレーニングされたベースラインモデルと比較して、生成データでトレーニングされたモデルはわずかに性能が劣っていることがわかった。
  論文  参考訳（メタデータ） (2023-06-20T09:46:01Z)
• Learning to Simulate Realistic LiDARs [66.7519667383175]
  リアルLiDARセンサのデータ駆動シミュレーションのためのパイプラインを提案する。 本モデルでは, 透明表面上の落下点などの現実的な効果を符号化できることが示される。 我々は2つの異なるLiDARセンサのモデルを学習し、それに従ってシミュレーションされたLiDARデータを改善する。
  論文  参考訳（メタデータ） (2022-09-22T13:12:54Z)
• Deep learning-based Crop Row Detection for Infield Navigation of Agri-Robots [10.386591972977207]
  本稿では、安価なカメラを用いて、フィールド変動に耐えられるロバストな作物列検出アルゴリズムを提案する。 複数の生育段階、光度、雑草密度の変化、曲がりくねった作物の列、不連続な作物の列からなる11のフィールド変動を表すサトウキビ画像のデータセットを作成した。 提案アルゴリズムは, 基準値よりも高いフィールド条件下で, 頑健な視覚に基づく作物の列検出を実証した。
  論文  参考訳（メタデータ） (2022-09-09T12:47:24Z)
• TRoVE: Transforming Road Scene Datasets into Photorealistic Virtual Environments [84.6017003787244]
  本研究では、シミュレーションデータセットに存在する困難とドメインギャップに対処する合成データ生成パイプラインを提案する。 既存のデータセットからアノテーションや視覚的手がかりを利用すれば、自動マルチモーダルデータ生成が容易になることを示す。
  論文  参考訳（メタデータ） (2022-08-16T20:46:08Z)
• Towards agricultural autonomy: crop row detection under varying field conditions using deep learning [4.252146169134215]
  本稿では,深層学習に基づく作出行検出のためのセマンティックセマンティックセグメンテーション手法の堅牢性を評価するための新しい指標を提案する。 様々なフィールド条件下で遭遇する10のカテゴリのデータセットをテストに使用した。 これらの条件が作物列検出の角精度に及ぼす影響を比較検討した。
  論文  参考訳（メタデータ） (2021-09-16T23:12:08Z)
• Strawberry Detection using Mixed Training on Simulated and Real Data [7.762964039682184]
  実画像におけるイチゴ検出のための実データと模擬データとの混合データセットのトレーニングを検討する。 その結果,シミュレーションデータセットを用いて実データを用いた場合,精度はわずかに向上した。
  論文  参考訳（メタデータ） (2020-08-24T07:37:12Z)
• Deep Traffic Sign Detection and Recognition Without Target Domain Real Images [52.079665469286496]
  本稿では,ターゲットドメインからの実際の画像を必要としない新しいデータベース生成手法と,(ii)交通標識のテンプレートを提案する。 この方法は、実際のデータでトレーニングを克服することではなく、実際のデータが利用できない場合に互換性のある代替手段になることを目的としている。 大規模なデータセットでは、完全に合成されたデータセットによるトレーニングは、実際のデータセットとトレーニングのパフォーマンスにほぼ一致する。
  論文  参考訳（メタデータ） (2020-07-30T21:06:47Z)
• Transferable Active Grasping and Real Embodied Dataset [48.887567134129306]
  ハンドマウント型RGB-Dカメラを用いて把握可能な視点を探索する方法を示す。 現実的な3段階の移動可能な能動把握パイプラインを開発し、未確認のクラッタシーンに適応する。 本研究のパイプラインでは,カテゴリ非関連行動の把握と確保において,スパース報酬問題を克服するために,新しいマスク誘導報酬を提案する。
  論文  参考訳（メタデータ） (2020-04-28T08:15:35Z)

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。