論文の概要: Domain Generalization for Crop Segmentation with Knowledge Distillation
- arxiv url: http://arxiv.org/abs/2304.01029v1
- Date: Mon, 3 Apr 2023 14:28:29 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-04 14:52:15.412163
- Title: Domain Generalization for Crop Segmentation with Knowledge Distillation
- Title（参考訳）: 知識蒸留による作物分別領域の一般化
- Authors: Simone Angarano, Mauro Martini, Alessandro Navone, Marcello Chiaberge
- Abstract要約: サービスロボティクスは精密農業において主要な役割を担っている。
移動ロボットは、周囲を理解し、野生のターゲットを識別するリアルタイム認識システムを必要としている。
本稿では,知識蒸留を用いた領域一般化手法を提案する。
- 参考スコア（独自算出の注目度）: 63.8376359764052
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: In recent years, precision agriculture has gradually oriented farming closer
to automation processes to support all the activities related to field
management. Service robotics plays a predominant role in this evolution by
deploying autonomous agents that can navigate fields while performing tasks
without human intervention, such as monitoring, spraying, and harvesting. To
execute these precise actions, mobile robots need a real-time perception system
that understands their surroundings and identifies their targets in the wild.
Generalizing to new crops and environmental conditions is critical for
practical applications, as labeled samples are rarely available. In this paper,
we investigate the problem of crop segmentation and propose a novel approach to
enhance domain generalization using knowledge distillation. In the proposed
framework, we transfer knowledge from an ensemble of models individually
trained on source domains to a student model that can adapt to unseen target
domains. To evaluate the proposed method, we present a synthetic multi-domain
dataset for crop segmentation containing plants of variegate shapes and
covering different terrain styles, weather conditions, and light scenarios for
more than 50,000 samples. We demonstrate significant improvements in
performance over state-of-the-art methods. Our approach provides a promising
solution for domain generalization in crop segmentation and has the potential
to enhance precision agriculture applications.
- Abstract（参考訳）: 近年、精密農業は、フィールドマネジメントに関わるすべての活動をサポートするために、自動化プロセスに近づいた農業を徐々に方向付けている。
サービスロボティクスは、監視、噴霧、収穫といった人間の介入なしにフィールドをナビゲートできる自律エージェントを配置することで、この進化において主要な役割を果たす。
これらの正確な行動を実行するには、移動ロボットは周囲を理解し、野生のターゲットを特定するリアルタイム認識システムが必要である。
新しい作物や環境条件への一般化は、ラベル付きサンプルがほとんど利用できないため、実用化には不可欠である。
本稿では,作物の分節化の問題を調査し,知識蒸留によるドメインの一般化を促進する新しい手法を提案する。
提案フレームワークでは,ソースドメイン上で個別に訓練されたモデルの集合から,未知のターゲットドメインに適応可能な学生モデルへ知識を伝達する。
そこで本研究では,5万種以上の植物を対象とし,異なる地形様式,気象条件,光シナリオをカバーする作物区分のための多領域合成データセットを提案する。
我々は最先端手法よりも優れた性能を示す。
このアプローチは作物の分節化におけるドメインの一般化に有望な解決策を提供し、精密な農業応用を促進する可能性を秘めている。
関連論文リスト
- Learning to Generalize Unseen Domains via Multi-Source Meta Learning for Text Classification [71.08024880298613]
テキスト分類の多元的領域一般化について検討する。
本稿では、複数の参照ドメインを使用して、未知のドメインで高い精度を達成可能なモデルをトレーニングするフレームワークを提案する。
論文 参考訳（メタデータ） (2024-09-20T07:46:21Z) - 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) - Memory-Efficient Prompt Tuning for Incremental Histopathology
Classification [69.46798702300042]
本稿では,経済的なメモリコストのモデル一般化ポテンシャルを育成するための,メモリ効率の良いプロンプトチューニングフレームワークを提案する。
乳癌転移分類と上皮間質組織分類の2つの病理組織学的タスクにより,我々の枠組みを広く評価した。
論文 参考訳（メタデータ） (2024-01-22T03:24:45Z) - Towards Full-scene Domain Generalization in Multi-agent Collaborative Bird's Eye View Segmentation for Connected and Autonomous Driving [49.03947018718156]
協調的な知覚の訓練と推論の段階で利用される統合されたドメイン一般化フレームワークを提案する。
また、システム内ドメインアライメント機構を導入し、コネクテッドおよび自律走行車間のドメインの差を減らし、潜在的に排除する。
論文 参考訳（メタデータ） (2023-11-28T12:52:49Z) - Improved Crop and Weed Detection with Diverse Data Ensemble Learning [18.490612639895893]
現代の農業は、現場における作物や雑草の正確な検出、地域化、定量化を必要とする、サイト・スペクティブ・ファーム・マネジメントの実践に大きく依存している。
既存の手法は、制御されていない畑の条件を考慮に入れた農業データを増強し、合成する。
我々は,他の作物や雑草に特有のデータを活用することを提案する。
論文 参考訳（メタデータ） (2023-10-02T10:05:30Z) - DeepG2P: Fusing Multi-Modal Data to Improve Crop Production [1.7406327893433846]
本稿では,G,E,Mの入力とその相互作用を処理する自然言語処理に基づくニューラルネットワークアーキテクチャを提案する。
我々は、DNAを自然言語としてモデル化することにより、新しい環境をテストする際に、従来のアプローチよりも優れた性能を発揮することを示す。
論文 参考訳（メタデータ） (2022-11-11T03:32:44Z) - Waypoint Generation in Row-based Crops with Deep Learning and
Contrastive Clustering [1.2599533416395767]
行ベースの作物の航法経路を計画するための経路点生成のための学習に基づくアプローチを提案する。
本稿では,各点を分離可能な潜在空間に投影できる,コントラスト損失に基づく新たなウェイポイントクラスタリング手法を提案する。
提案したディープニューラルネットワークは、単一のフォワードパスで2つの特別なヘッドによるウェイポイント位置とクラスタ割り当てを同時に予測することができる。
論文 参考訳（メタデータ） (2022-06-23T11:21:04Z) - Unsupervised Domain Generalization for Person Re-identification: A
Domain-specific Adaptive Framework [50.88463458896428]
ドメイン一般化(DG)は近年,人物再同定(ReID)において注目されている。
既存のメソッドは通常、ソースドメインにラベルを付ける必要があります。
本稿では、単純で効率的なドメイン固有適応化フレームワークを提案し、適応正規化モジュールで実現する。
論文 参考訳（メタデータ） (2021-11-30T02:35:51Z) - DeepWay: a Deep Learning Waypoint Estimator for Global Path Generation [1.3764085113103222]
本研究は,占有グリッドマップを与えられたウェイポイントを推定できる特徴学習完全畳み込みモデルを提案する。
特に,本提案手法を行ベースの作物の特定事例に適用し,その拡大を完全にカバーできる大域的な経路を生成する。
論文 参考訳（メタデータ） (2020-10-30T15:27:42Z)
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。