論文の概要: Deep Data Augmentation for Weed Recognition Enhancement: A Diffusion
Probabilistic Model and Transfer Learning Based Approach
- arxiv url: http://arxiv.org/abs/2210.09509v1
- Date: Tue, 18 Oct 2022 01:00:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-19 14:59:03.286527
- Title: Deep Data Augmentation for Weed Recognition Enhancement: A Diffusion
Probabilistic Model and Transfer Learning Based Approach
- Title(参考訳): 雑草認識強化のための深層データ拡張:拡散確率モデルと伝達学習に基づくアプローチ
- Authors: Dong Chen, Xinda Qi, Yu Zheng, Yuzhen Lu, Zhaojian Li
- Abstract要約: 本稿では,拡散確率モデルを用いて高品質な合成雑草画像を生成する方法を提案する。
開発されたアプローチは、いくつかの最先端のGANモデルより一貫して優れている。
合成雑草画像による拡張データセットは、雑草分類タスクのための4つのディープラーニング(DL)モデルにおけるモデルパフォーマンスを向上させる可能性がある。
- 参考スコア(独自算出の注目度): 17.860192771292713
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Weed management plays an important role in many modern agricultural
applications. Conventional weed control methods mainly rely on chemical
herbicides or hand weeding, which are often cost-ineffective, environmentally
unfriendly, or even posing a threat to food safety and human health. Recently,
automated/robotic weeding using machine vision systems has seen increased
research attention with its potential for precise and individualized weed
treatment. However, dedicated, large-scale, and labeled weed image datasets are
required to develop robust and effective weed identification systems but they
are often difficult and expensive to obtain. To address this issue, data
augmentation approaches, such as generative adversarial networks (GANs), have
been explored to generate highly realistic images for agricultural
applications. Yet, despite some progress, those approaches are often
complicated to train or have difficulties preserving fine details in images. In
this paper, we present the first work of applying diffusion probabilistic
models (also known as diffusion models) to generate high-quality synthetic weed
images based on transfer learning. Comprehensive experimental results show that
the developed approach consistently outperforms several state-of-the-art GAN
models, representing the best trade-off between sample fidelity and diversity
and highest FID score on a common weed dataset, CottonWeedID15. In addition,
the expanding dataset with synthetic weed images can apparently boost model
performance on four deep learning (DL) models for the weed classification
tasks. Furthermore, the DL models trained on CottonWeedID15 dataset with only
10% of real images and 90% of synthetic weed images achieve a testing accuracy
of over 94%, showing high-quality of the generated weed samples. The codes of
this study are made publicly available at
https://github.com/DongChen06/DMWeeds.
- Abstract(参考訳): 雑草管理は多くの近代農業で重要な役割を担っている。
従来の雑草防除法は主に化学除草剤や除草剤に依存しており、費用がかからず、環境に優しい、あるいは食品の安全性と人間の健康を脅かすことさえある。
近年,機械ビジョンシステムを用いた自動/ロボット除草は,精密かつ個別化された雑草処理の可能性とともに研究の注目を集めている。
しかし、堅牢で効果的な雑草識別システムを開発するには、大規模でラベル付き雑草画像データセットが必要であるが、しばしば入手が困難で高価である。
この問題に対処するために,gans(generative adversarial network)などのデータ拡張手法が,農業用途に高度に現実的なイメージを生成するために検討されている。
しかし、いくつかの進歩にもかかわらず、これらのアプローチは訓練が複雑で、画像の細かい詳細を保存できないことが多い。
本稿では,拡散確率モデル(拡散モデルとも呼ばれる)を用いて,転送学習に基づく高品質な合成雑草画像を生成する最初の研究について述べる。
総合的な実験結果から,本手法は標準雑草データセットであるコットンウィードid15において,サンプル忠実度と多様性,最高fidスコアのトレードオフを表現し,最先端のganモデルに一貫して優れることが示された。
さらに、合成雑草画像による拡張データセットは、雑草分類タスクのための4つのディープラーニング(DL)モデルにおけるモデルパフォーマンスを向上させることができる。
さらに,実画像の10%と合成雑草画像の90%でトレーニングされたコットン雑草15データセットのdlモデルは94%以上の精度を達成し,得られた雑草試料の高品質さを示した。
この研究のコードはhttps://github.com/DongChen06/DMWeeds.comで公開されている。
関連論文リスト
- Generative AI-based Pipeline Architecture for Increasing Training Efficiency in Intelligent Weed Control Systems [0.0]
本研究は,知的雑草制御のための深層学習に基づく物体検出モデルを改善するために,合成画像を生成する新しいアプローチを提案する。
我々のGenAIベースの画像生成パイプラインは、ゼロショットドメイン適応のためのSegment Anything Model(SAM)と、テキストから画像への安定拡散モデルを統合する。
我々は、これらの合成データセットを軽量YOLOモデルを用いて評価し、mAP50とmAP50-95スコアを用いてデータ効率を測定した。
論文 参考訳(メタデータ) (2024-11-01T12:58:27Z) - Semi-Supervised Weed Detection for Rapid Deployment and Enhanced Efficiency [2.8444649426160304]
本稿では,2つの主要成分からなる半教師付き雑草検出手法を提案する。
まず,異なる規模の雑草の特徴を捉えるために,マルチスケールの特徴表現手法を用いる。
第2に、トレーニング中にラベル付き画像の小さなセットを活用する適応的な擬似ラベル割り当て戦略を提案する。
論文 参考訳(メタデータ) (2024-05-12T23:34:06Z) - Generating Diverse Agricultural Data for Vision-Based Farming Applications [74.79409721178489]
このモデルは, 植物の成長段階, 土壌条件の多様性, 照明条件の異なるランダム化フィールド配置をシミュレートすることができる。
我々のデータセットにはセマンティックラベル付き12,000の画像が含まれており、精密農業におけるコンピュータビジョンタスクの包括的なリソースを提供する。
論文 参考訳(メタデータ) (2024-03-27T08:42:47Z) - DetDiffusion: Synergizing Generative and Perceptive Models for Enhanced Data Generation and Perception [78.26734070960886]
現在の知覚モデルは、リソース集約的なデータセットに大きく依存している。
セグメンテーションを通じて知覚認識損失(P.A.損失)を導入し、品質と制御性の両方を改善した。
本手法は,世代間における知覚認識属性(P.A. Attr)の抽出と利用により,データ拡張をカスタマイズする。
論文 参考訳(メタデータ) (2024-03-20T04:58:03Z) - DreamDA: Generative Data Augmentation with Diffusion Models [68.22440150419003]
本稿では,新しい分類指向フレームワークDreamDAを提案する。
DreamDAは、オリジナルのデータのトレーニングイメージを種として考慮して、オリジナルのデータ分布に準拠する多様なサンプルを生成する。
また、生成したデータのラベルは、対応するシード画像のラベルと一致しない可能性があるため、擬似ラベルを生成するための自己学習パラダイムを導入する。
論文 参考訳(メタデータ) (2024-03-19T15:04:35Z) - GenFace: A Large-Scale Fine-Grained Face Forgery Benchmark and Cross Appearance-Edge Learning [50.7702397913573]
フォトリアリスティック・ジェネレータの急速な進歩は、真の画像と操作された画像の相違がますます不明瞭になっている臨界点に達している。
公開されている顔の偽造データセットはいくつかあるが、偽造顔は主にGANベースの合成技術を用いて生成される。
我々は,大規模で多様できめ細かな高忠実度データセットであるGenFaceを提案し,ディープフェイク検出の進展を促進する。
論文 参考訳(メタデータ) (2024-02-03T03:13:50Z) - Diffusion Facial Forgery Detection [56.69763252655695]
本稿では,顔に焦点をあてた拡散生成画像を対象とした包括的データセットであるDiFFを紹介する。
人体実験といくつかの代表的な偽造検出手法を用いて,DiFFデータセットの広範な実験を行った。
その結果、人間の観察者と自動検出者の2値検出精度は30%以下であることが判明した。
論文 参考訳(メタデータ) (2024-01-29T03:20:19Z) - Generative models-based data labeling for deep networks regression:
application to seed maturity estimation from UAV multispectral images [3.6868861317674524]
種子の成熟度モニタリングは、気候変動とより制限的な慣行による農業における課題の増加である。
従来の手法は、フィールドでの限られたサンプリングと実験室での分析に基づいている。
マルチスペクトルUAV画像を用いたパセリ種子の成熟度推定手法の提案と,自動ラベリングのための新しいアプローチを提案する。
論文 参考訳(メタデータ) (2022-08-09T09:06:51Z) - Weed Recognition using Deep Learning Techniques on Class-imbalanced
Imagery [4.96981595868944]
我々は,最先端の5つのディープニューラルネットワークを調査し,雑草認識の性能評価を行った。
VGG16は小規模データセットで他より優れ、ResNet-50は大規模データセットで他のディープネットワークよりも優れていた。
論文 参考訳(メタデータ) (2021-12-15T01:00:05Z) - 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) - A Survey of Deep Learning Techniques for Weed Detection from Images [4.96981595868944]
既存の深層学習に基づく雑草検出・分類手法を検討する。
その結果,ほとんどの研究が教師あり学習手法を適用し,高い分類精度を達成した。
過去の実験は、大量のラベル付きデータが利用できる場合に既に高い精度を達成している。
論文 参考訳(メタデータ) (2021-03-02T02:02:24Z)
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。