論文の概要: CWD30: A Comprehensive and Holistic Dataset for Crop Weed Recognition in
Precision Agriculture
- arxiv url: http://arxiv.org/abs/2305.10084v1
- Date: Wed, 17 May 2023 09:39:01 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-18 16:36:48.256354
- Title: CWD30: A Comprehensive and Holistic Dataset for Crop Weed Recognition in
Precision Agriculture
- Title(参考訳): CWD30:精密農業における雑草認識のための包括的・全体的データセット
- Authors: Talha Ilyas, Dewa Made Sri Arsa, Khubaib Ahmad, Yong Chae Jeong, Okjae
Won, Jong Hoon Lee, Hyongsuk Kim
- Abstract要約: 精密農業における作物雑草認識タスクに適した大規模・多種多様・包括的・階層的データセットであるCWD30データセットを提示する。
CWD30は20種の雑草と10種の高解像度画像を219,770枚以上、様々な成長段階、複数の視角、環境条件を含む。
データセットの階層的な分類は、きめ細かい分類を可能にし、より正確で堅牢で一般化可能なディープラーニングモデルの開発を促進する。
- 参考スコア(独自算出の注目度): 1.64709990449384
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The growing demand for precision agriculture necessitates efficient and
accurate crop-weed recognition and classification systems. Current datasets
often lack the sample size, diversity, and hierarchical structure needed to
develop robust deep learning models for discriminating crops and weeds in
agricultural fields. Moreover, the similar external structure and phenomics of
crops and weeds complicate recognition tasks. To address these issues, we
present the CWD30 dataset, a large-scale, diverse, holistic, and hierarchical
dataset tailored for crop-weed recognition tasks in precision agriculture.
CWD30 comprises over 219,770 high-resolution images of 20 weed species and 10
crop species, encompassing various growth stages, multiple viewing angles, and
environmental conditions. The images were collected from diverse agricultural
fields across different geographic locations and seasons, ensuring a
representative dataset. The dataset's hierarchical taxonomy enables
fine-grained classification and facilitates the development of more accurate,
robust, and generalizable deep learning models. We conduct extensive baseline
experiments to validate the efficacy of the CWD30 dataset. Our experiments
reveal that the dataset poses significant challenges due to intra-class
variations, inter-class similarities, and data imbalance. Additionally, we
demonstrate that minor training modifications like using CWD30 pretrained
backbones can significantly enhance model performance and reduce convergence
time, saving training resources on several downstream tasks. These challenges
provide valuable insights and opportunities for future research in crop-weed
recognition. We believe that the CWD30 dataset will serve as a benchmark for
evaluating crop-weed recognition algorithms, promoting advancements in
precision agriculture, and fostering collaboration among researchers in the
field.
- Abstract(参考訳): 精密農業への需要は、効率的かつ正確な作物雑草認識と分類システムを必要とする。
現在のデータセットは、農地の作物や雑草を識別するための堅牢なディープラーニングモデルを開発するために必要なサンプルサイズ、多様性、階層構造を欠いていることが多い。
さらに、作物や雑草の同様の外部構造と表現は、認識タスクを複雑にする。
これらの問題に対処するため、精密農業における作物雑草認識タスクに適した大規模で多様で包括的で階層的なデータセットであるCWD30データセットを提示する。
CWD30は20種の雑草と10種の高解像度画像を219,770枚以上、様々な成長段階、複数の視角、環境条件を含む。
画像は、さまざまな地理的場所と季節にわたる多様な農業地帯から収集され、代表的データセットが確保された。
データセットの階層分類は、きめ細かい分類を可能にし、より正確で堅牢で一般化可能なディープラーニングモデルの開発を促進する。
CWD30データセットの有効性を検証するため,広範なベースライン実験を行った。
実験の結果,データセットはクラス内変異,クラス間の類似性,データ不均衡などによって大きな課題を生じていることがわかった。
さらに,cwd30をプリトレーニングしたバックボーンを使用するようなマイナーなトレーニング変更は,モデルパフォーマンスを著しく向上させ,収束時間を短縮し,いくつかのダウンストリームタスクでトレーニングリソースを節約できることを実証する。
これらの課題は、作物雑草認識における将来の研究に貴重な洞察と機会を提供する。
cwd30データセットは、作物雑草認識アルゴリズムの評価、精密農業の進歩の促進、この分野の研究者間のコラボレーションの促進のためのベンチマークとして機能すると信じている。
関連論文リスト
- WeedsGalore: A Multispectral and Multitemporal UAV-based Dataset for Crop and Weed Segmentation in Agricultural Maize Fields [0.7421845364041001]
雑草は作物の収穫が減少する主な原因の1つであるが、現在の雑草の慣行は、効率的で標的とした方法で雑草を管理するのに失敗している。
農作物畑における作物と雑草のセマンティックスとインスタンスセグメンテーションのための新しいデータセットを提案する。
論文 参考訳(メタデータ) (2025-02-18T18:13:19Z) - A Multitask Deep Learning Model for Classification and Regression of Hyperspectral Images: Application to the large-scale dataset [44.94304541427113]
ハイパースペクトル画像上で複数の分類タスクと回帰タスクを同時に行うマルチタスク深層学習モデルを提案する。
我々は、TAIGAと呼ばれる大規模なハイパースペクトルデータセットに対するアプローチを検証した。
結果の総合的定性的および定量的分析により,提案手法が他の最先端手法よりも有意に優れていることを示す。
論文 参考訳(メタデータ) (2024-07-23T11:14:54Z) - Self-supervised transformer-based pre-training method with General Plant Infection dataset [3.969851116372513]
本研究では、コントラスト学習とマスクド画像モデリング(MIM)を組み合わせた高度なネットワークアーキテクチャを提案する。
提案するネットワークアーキテクチャは,植物害虫や病原体認識タスクに対処し,優れた検出精度を実現する。
私たちのコードとデータセットは、植物害虫の研究と病気の認識を促進するために公開されます。
論文 参考訳(メタデータ) (2024-07-20T15:48:35Z) - 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) - 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) - PhenoBench -- A Large Dataset and Benchmarks for Semantic Image Interpretation in the Agricultural Domain [29.395926321984565]
本稿では,実際の農業分野の意味論的解釈のための注釈付きデータセットとベンチマークを提案する。
UAVで記録したデータセットは、作物や雑草の高品質でピクセル単位のアノテーションを提供するだけでなく、作物の葉のインスタンスも同時に提供する。
異なるフィールドで構成された隠れテストセット上で、さまざまなタスクのベンチマークを提供する。
論文 参考訳(メタデータ) (2023-06-07T16:04:08Z) - Concept Drift and Long-Tailed Distribution in Fine-Grained Visual Categorization: Benchmark and Method [84.68818879525568]
コンセプションドリフトとLong-Tailed Distributionデータセットを提案する。
インスタンスの特徴は時間によって異なり、長い尾の分布を示す傾向がある。
本稿ではCDLTに関連する学習課題に対処する機能組換えフレームワークを提案する。
論文 参考訳(メタデータ) (2023-06-04T12:42:45Z) - Agave crop segmentation and maturity classification with deep learning
data-centric strategies using very high-resolution satellite imagery [101.18253437732933]
超高解像度衛星画像を用いたAgave tequilana Weber azul crop segmentation and mature classificationを提案する。
実世界の深層学習問題を,作物の選別という非常に具体的な文脈で解決する。
結果として得られた正確なモデルにより、大規模地域で生産予測を行うことができる。
論文 参考訳(メタデータ) (2023-03-21T03:15:29Z) - Enlisting 3D Crop Models and GANs for More Data Efficient and
Generalizable Fruit Detection [0.0]
本稿では,合成3次元作物モデルドメインから実世界の作物ドメインへの農業画像生成手法を提案する。
本手法は, 果実の位置と形状を保存するために, 意味的に制約されたGAN (generative adversarial network) を用いる。
ブドウ品種検出タスクにおける増分訓練実験により,本手法から生成した画像がドメインプロセスを大幅に高速化できることが判明した。
論文 参考訳(メタデータ) (2021-08-30T16:11:59Z) - Agriculture-Vision: A Large Aerial Image Database for Agricultural
Pattern Analysis [110.30849704592592]
本稿では,農業パターンのセマンティックセグメンテーションのための大規模空中農地画像データセットであるGarmry-Visionを提案する。
各画像はRGBと近赤外線(NIR)チャンネルで構成され、解像度は1ピクセルあたり10cmである。
農家にとって最も重要な9種類のフィールド異常パターンに注釈を付ける。
論文 参考訳(メタデータ) (2020-01-05T20:19:33Z)
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。