論文の概要: Improved Crop and Weed Detection with Diverse Data Ensemble Learning
- arxiv url: http://arxiv.org/abs/2310.01055v3
- Date: Fri, 14 Jun 2024 06:26:48 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-17 19:53:15.392833
- Title: Improved Crop and Weed Detection with Diverse Data Ensemble Learning
- Title（参考訳）: 異種データアンサンブル学習による作物と雑草の検出の改善
- Authors: Muhammad Hamza Asad, Saeed Anwar, Abdul Bais,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 18.490612639895893
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Modern agriculture heavily relies on Site-Specific Farm Management practices, necessitating accurate detection, localization, and quantification of crops and weeds in the field, which can be achieved using deep learning techniques. In this regard, crop and weed-specific binary segmentation models have shown promise. However, uncontrolled field conditions limit their performance from one field to the other. To improve semantic model generalization, existing methods augment and synthesize agricultural data to account for uncontrolled field conditions. However, given highly varied field conditions, these methods have limitations. To overcome the challenges of model deterioration in such conditions, we propose utilizing data specific to other crops and weeds for our specific target problem. To achieve this, we propose a novel ensemble framework. Our approach involves utilizing different crop and weed models trained on diverse datasets and employing a teacher-student configuration. By using homogeneous stacking of base models and a trainable meta-architecture to combine their outputs, we achieve significant improvements for Canola crops and Kochia weeds on unseen test data, surpassing the performance of single semantic segmentation models. We identify the UNET meta-architecture as the most effective in this context. Finally, through ablation studies, we demonstrate and validate the effectiveness of our proposed model. We observe that including base models trained on other target crops and weeds can help generalize the model to capture varied field conditions. Lastly, we propose two novel datasets with varied conditions for comparisons.
- Abstract（参考訳）: 現代の農業は、現場における作物や雑草の正確な検出、局在化、定量化を必要とするサイト・スペシャル・ファーム・マネジメントの実践に大きく依存しており、深層学習技術を用いて達成することができる。
この点において、作物と雑草特有の二分法モデルが有望であることが示されている。
しかし、制御されていないフィールド条件は、その性能をあるフィールドから別のフィールドに制限する。
セマンティックモデル一般化を改善するため、既存の手法は、制御不能なフィールド条件を考慮した農業データを増強し、合成する。
しかし、非常に多様な場条件が与えられた場合、これらの方法には制限がある。
このような条件下でのモデル劣化の課題を克服するために,本研究では,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。
そこで我々は,新しいアンサンブル・フレームワークを提案する。
我々のアプローチは、多様なデータセットで訓練された異なる作物と雑草モデルを活用することと、教師の学生構成を採用することである。
ベースモデルの均質な積み重ねとトレーニング可能なメタアーキテクチャを用いて出力を結合することにより、単一セマンティックセグメンテーションモデルの性能を超越した、見えないテストデータ上でのカノーラの作物とコチアの雑草に大きな改善が達成される。
この文脈では、UNETメタアーキテクチャが最も効果的であると考えています。
最後に、アブレーション研究を通じて、提案モデルの有効性を実証し、検証する。
我々は、他の標的作物や雑草で訓練されたベースモデルを含め、様々なフィールド条件を捉えるためにモデルを一般化するのに役立つことを観察する。
最後に,比較条件の異なる2つの新しいデータセットを提案する。
関連論文リスト
- 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) - Empirical Study of PEFT techniques for Winter Wheat Segmentation [6.110856077714895]
本研究は,SOTA小麦作モニタリングモデルを用いて,地域間および年外流通の一般化の実現可能性を探究する。
我々は,冬期小麦畑の分断に対処するためにSOTA TSViTモデルを適応させることに重点を置いている。
PEFT技術を用いて,TSViTアーキテクチャ全体の0.7%のパラメータのみをトレーニングしながら,完全な微調整手法を用いて達成した手法に匹敵する顕著な結果を得た。
論文 参考訳（メタデータ） (2023-10-03T06:42:28Z) - Integrating processed-based models and machine learning for crop yield
prediction [1.3107669223114085]
本研究では,ハイブリッドメタモデリング手法を用いてジャガイモ収量予測を行う。
作物成長モデルを用いて、畳み込みニューラルネットを(前)訓練するための合成データを生成する。
シリコンに適用すると、我々のメタモデリング手法は、純粋にデータ駆動のアプローチからなるベースラインよりも優れた予測が得られる。
論文 参考訳（メタデータ） (2023-07-25T12:51:25Z) - Universal Semi-supervised Model Adaptation via Collaborative Consistency
Training [92.52892510093037]
我々は、Universal Semi-supervised Model Adaptation (USMA)と呼ばれる現実的で挑戦的なドメイン適応問題を導入する。
本稿では,2つのモデル間の予測整合性を規則化する協調的整合性トレーニングフレームワークを提案する。
実験により,いくつかのベンチマークデータセットにおける本手法の有効性が示された。
論文 参考訳（メタデータ） (2023-07-07T08:19:40Z) - 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) - SALUDA: Surface-based Automotive Lidar Unsupervised Domain Adaptation [62.889835139583965]
我々は、ソースデータとターゲットデータに基づいて、暗黙の基盤となる表面表現を同時に学習する教師なし補助タスクを導入する。
両方のドメインが同じ遅延表現を共有しているため、モデルは2つのデータソース間の不一致を許容せざるを得ない。
実験の結果,本手法は実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-
論文 参考訳（メタデータ） (2023-04-06T17:36:23Z) - Stacking Ensemble Learning in Deep Domain Adaptation for Ophthalmic
Image Classification [61.656149405657246]
ドメイン適応は、十分なラベルデータを取得することが困難な画像分類タスクに有効である。
本稿では,3つのドメイン適応手法を拡張することで,アンサンブル学習を積み重ねるための新しい手法SELDAを提案する。
Age-Related Eye Disease Study (AREDS)ベンチマーク眼科データセットを用いた実験結果から,提案モデルの有効性が示された。
論文 参考訳（メタデータ） (2022-09-27T14:19:00Z) - Standardizing and Centralizing Datasets to Enable Efficient Training of
Agricultural Deep Learning Models [0.0]
ディープラーニングモデルは通常、より一般的な非農業的なデータセットに適したモデルウェイトを使用して、農業タスクに微調整される。
3つの異なるタスクのために、さまざまな公開データセットを収集し、それらを標準化し、標準トレーニングと評価パイプラインを構築します。
深層学習によく用いられる手法を用いて,多くの実験を行ったが,その分野固有の農業分野への応用については明らかにされていない。
論文 参考訳（メタデータ） (2022-08-04T15:10:36Z) - Deep Variational Models for Collaborative Filtering-based Recommender
Systems [63.995130144110156]
ディープラーニングは、リコメンダシステムの結果を改善するために、正確な協調フィルタリングモデルを提供する。
提案するモデルは, 深層建築の潜伏空間において, 変分概念を注入性に適用する。
提案手法は, 入射雑音効果を超える変動エンリッチメントのシナリオにおいて, 提案手法の優位性を示す。
論文 参考訳（メタデータ） (2021-07-27T08:59:39Z) - Source-Free Open Compound Domain Adaptation in Semantic Segmentation [99.82890571842603]
SF-OCDAでは、ターゲットモデルを学習するために、ソース事前訓練されたモデルとターゲットデータのみが利用可能である。
そこで我々は,Cross-Patch Style Swap (CPSS)を提案する。
提案手法は,C-Drivingデータセット上で最先端の結果を生成する。
論文 参考訳（メタデータ） (2021-06-07T08:38:41Z)
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。