論文の概要: PhenoBench -- A Large Dataset and Benchmarks for Semantic Image
Interpretation in the Agricultural Domain
- arxiv url: http://arxiv.org/abs/2306.04557v1
- Date: Wed, 7 Jun 2023 16:04:08 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-08 13:21:31.818791
- Title: PhenoBench -- A Large Dataset and Benchmarks for Semantic Image
Interpretation in the Agricultural Domain
- Title（参考訳）: PhenoBench -- 農業領域における意味的画像解釈のための大規模データセットとベンチマーク
- Authors: Jan Weyler and Federico Magistri and Elias Marks and Yue Linn Chong
and Matteo Sodano and Gianmarco Roggiolani and Nived Chebrolu and Cyrill
Stachniss and Jens Behley
- Abstract要約: 実畑のイメージを意味論的に解釈するための大規模なデータセットとベンチマークを提示する。
UAVで記録したデータセットは、作物や雑草の高品質で密集したアノテーションを提供するだけでなく、作物の葉のきめ細かいラベルも提供します。
異なるフィールドからなる隠れテストセット上で、異なる視覚的知覚タスクを評価するための新しいベンチマークを提供する。
- 参考スコア（独自算出の注目度）: 29.590872330449315
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The production of food, feed, fiber, and fuel is a key task of agriculture.
Especially crop production has to cope with a multitude of challenges in the
upcoming decades caused by a growing world population, climate change, the need
for sustainable production, lack of skilled workers, and generally the limited
availability of arable land. Vision systems could help cope with these
challenges by offering tools to make better and more sustainable field
management decisions and support the breeding of new varieties of crops by
allowing temporally dense and reproducible measurements. Recently, tackling
perception tasks in the agricultural domain got increasing interest in the
computer vision and robotics community since agricultural robotics are one
promising solution for coping with the lack of workers and enable a more
sustainable agricultural production at the same time. While large datasets and
benchmarks in other domains are readily available and have enabled significant
progress toward more reliable vision systems, agricultural datasets and
benchmarks are comparably rare. In this paper, we present a large dataset and
benchmarks for the semantic interpretation of images of real agricultural
fields. Our dataset recorded with a UAV provides high-quality, dense
annotations of crops and weeds, but also fine-grained labels of crop leaves at
the same time, which enable the development of novel algorithms for visual
perception in the agricultural domain. Together with the labeled data, we
provide novel benchmarks for evaluating different visual perception tasks on a
hidden test set comprised of different fields: known fields covered by the
training data and a completely unseen field. The tasks cover semantic
segmentation, panoptic segmentation of plants, leaf instance segmentation,
detection of plants and leaves, and hierarchical panoptic segmentation for
jointly identifying plants and leaves.
- Abstract（参考訳）: 食料、食物、繊維、燃料の生産は農業の重要な課題である。
特に作物生産は、世界人口の増加、気候変動、持続可能な生産の必要性、熟練労働者の欠如、概して耕作可能な土地の限られた利用が原因で、今後数十年にわたる様々な課題に対処しなければならない。
ビジョンシステムは、より優れた、より持続可能なフィールド管理決定を行うツールを提供し、時間的に密で再現可能な測定を可能にして、新しい種類の作物の育成を支援することで、これらの課題に対処するのに役立つ。
近年,農業分野における認識タスクへの取り組みがコンピュータビジョンやロボティクスのコミュニティへの関心が高まっている。農業ロボティクスは,労働者不足に対処し,より持続可能な農業生産を可能にするための,有望なソリューションである。
他のドメインの大規模データセットとベンチマークは容易に利用可能であり、より信頼性の高いビジョンシステムへの大きな進歩をもたらしたが、農業用データセットとベンチマークは比較可能なほどまれである。
本稿では,実農地のイメージを意味的に解釈するための大規模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、高品質で密集した作物や雑草のアノテーションを提供すると同時に、作物の葉のきめ細かいラベルも同時に提供し、農業領域における視覚知覚のための新しいアルゴリズムの開発を可能にします。
ラベル付きデータとともに、トレーニングデータでカバーされた既知のフィールドと、全く見えないフィールドからなる隠れテストセット上で、異なる視覚的知覚タスクを評価するための新しいベンチマークを提供する。
タスクは、意味的セグメンテーション、植物のパノプティックセグメンテーション、葉のインスタンスセグメンテーション、植物と葉の検出、そして植物と葉を共同で識別するための階層的なパノプティックセグメンテーションを含む。
関連論文リスト
- AgroGPT: Efficient Agricultural Vision-Language Model with Expert Tuning [30.034193330398292]
本稿では,農業領域における視覚のみのデータを活用した指導調整データの構築手法を提案する。
我々は、複数のドメインにまたがる多様な農業データセットを利用し、クラス固有の情報をキュレートし、大規模言語モデル(LLM)を用いてエキスパートチューニングセットを構築する。
AgroGPTは、複雑な農業関連の会話を処理し、有用な洞察を提供する効率的なLMMである。
論文 参考訳（メタデータ） (2024-10-10T22:38:26Z) - Investigating the Segment Anything Foundation Model for Mapping Smallholder Agriculture Field Boundaries Without Training Labels [0.24966046892475396]
本研究は,インド・ビハール州の農地境界を規定するSegment Anything Model(SAM)について検討した。
我々はSAMの性能を3つのモデルチェックポイント、様々な入力サイズ、マルチ日付衛星画像、エッジ強調画像で評価した。
異なる入力画像サイズを使用することで精度が向上し、マルチ日付衛星画像を使用する場合に最も顕著な改善がなされる。
論文 参考訳（メタデータ） (2024-07-01T23:06:02Z) - 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) - Self-Supervised Backbone Framework for Diverse Agricultural Vision Tasks [0.3683202928838613]
農業におけるコンピュータビジョンは、農業をデータ駆動で正確で持続可能な産業に変えるために、ゲームを変える。
ディープラーニングは農業のビジョンに力を与えて、膨大な複雑な視覚データを分析するが、大きな注釈付きデータセットの可用性に大きく依存している。
本研究では,ResNet-50のバックボーンを実世界の農地画像の大規模データセット上に事前学習するための,コントラスト学習手法であるSimCLRを用いた軽量フレームワークを提案する。
論文 参考訳（メタデータ） (2024-03-22T14:46:51Z) - 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) - CWD30: A Comprehensive and Holistic Dataset for Crop Weed Recognition in
Precision Agriculture [1.64709990449384]
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。
論文 参考訳（メタデータ） (2023-05-17T09:39:01Z) - Empowering Agrifood System with Artificial Intelligence: A Survey of the Progress, Challenges and Opportunities [86.89427012495457]
我々は、AI技術がアグリフードシステムをどう変え、現代のアグリフード産業に貢献するかをレビューする。
本稿では,農業,畜産,漁業において,アグリフードシステムにおけるAI手法の進歩について概説する。
我々は、AIで現代のアグリフードシステムを変革するための潜在的な課題と有望な研究機会を強調します。
論文 参考訳（メタデータ） (2023-05-03T05:16:54Z) - 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) - The 1st Agriculture-Vision Challenge: Methods and Results [144.57794061346974]
第1回農業ビジョンチャレンジは、航空画像から農業パターン認識のための新しい効果的なアルゴリズムの開発を奨励することを目的としている。
約57の参加チームが、航空農業のセマンティックセグメンテーションの最先端を達成するために競っている。
本報告では,課題における注目すべき手法と成果について概説する。
論文 参考訳（メタデータ） (2020-04-21T05:02:31Z) - Crop Knowledge Discovery Based on Agricultural Big Data Integration [2.597676155371155]
農業データは、IoT(Internet of Thing)、センサー、衛星、気象観測所、ロボット、農業機器、農業実験所、農家、政府機関、農業機関など、さまざまなソースを通じて生成される。
本稿では,他のデータセットやビッグデータモデルを組み込むのに十分なフレキシブルなコンステレーションスキーマを用いた農業データ統合手法を提案する。
論文 参考訳（メタデータ） (2020-03-11T00:13:17Z) - 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。