論文の概要: Empirical Study of PEFT techniques for Winter Wheat Segmentation

• arxiv url: http://arxiv.org/abs/2310.01825v2
• Date: Mon, 27 Nov 2023 10:39:13 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-30 14:27:08.947484
• Title: Empirical Study of PEFT techniques for Winter Wheat Segmentation
• Title（参考訳）: 冬期小麦セグメンテーションのためのPEFT技術に関する実証的研究
• Authors: Mohamad Hasan Zahweh, Hasan Nasrallah, Mustafa Shukor, Ghaleb Faour and Ali J. Ghandour
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 6.110856077714895
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Parameter Efficient Fine Tuning (PEFT) techniques have recently experienced significant growth and have been extensively employed to adapt large vision and language models to various domains, enabling satisfactory model performance with minimal computational needs. Despite these advances, more research has yet to delve into potential PEFT applications in real-life scenarios, particularly in the critical domains of remote sensing and crop monitoring. The diversity of climates across different regions and the need for comprehensive large-scale datasets have posed significant obstacles to accurately identify crop types across varying geographic locations and changing growing seasons. This study seeks to bridge this gap by comprehensively exploring the feasibility of cross-area and cross-year out-of-distribution generalization using the State-of-the-Art (SOTA) wheat crop monitoring model. The aim of this work is to explore PEFT approaches for crop monitoring. Specifically, we focus on adapting the SOTA TSViT model to address winter wheat field segmentation, a critical task for crop monitoring and food security. This adaptation process involves integrating different PEFT techniques, including BigFit, LoRA, Adaptformer, and prompt tuning. Using PEFT techniques, we achieved notable results comparable to those achieved using full fine-tuning methods while training only a mere 0.7% parameters of the whole TSViT architecture. The in-house labeled data-set, referred to as the Beqaa-Lebanon dataset, comprises high-quality annotated polygons for wheat and non-wheat classes with a total surface of 170 kmsq, over five consecutive years. Using Sentinel-2 images, our model achieved a 84% F1-score. We intend to publicly release the Lebanese winter wheat data set, code repository, and model weights.
• Abstract（参考訳）: パラメータ効率のよいファインチューニング(peft)技術は、最近大きく成長し、様々な領域に大きなビジョンと言語モデルを適用するために広範囲に使われており、最小の計算ニーズで十分なモデル性能を実現している。 これらの進歩にもかかわらず、実際のシナリオ、特にリモートセンシングと作物モニタリングの重要な領域におけるPEFT応用の可能性についてはまだ研究されていない。 異なる地域にまたがる気候の多様性と総合的な大規模データセットの必要性は、地理的な場所をまたいで作物の種類を正確に識別し、成長の季節を変える上で大きな障害となった。 本研究は,最先端のコムギ作物モニタリングモデルを用いて,地域横断的および地域横断的流通汎化の実現可能性について総合的に検討することにより,このギャップを埋めることを目的とする。 本研究の目的は,農作物モニタリングのためのPEFTアプローチを検討することである。 具体的には,農作物のモニタリングと食料安全保障において重要な課題である冬期小麦畑の分断に対応するために,soma tsvitモデルを適用することに焦点を当てた。 この適応プロセスは、BigFit、LoRA、Adaptformer、およびプロンプトチューニングを含む異なるPEFT技術を統合することを含む。 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。 Beqaa-Lebanonデータセットと呼ばれる社内ラベル付きデータセットは、小麦および非小麦類のための高品質なアノテートポリゴンであり、総表面は170 kmsqで、5年連続している。 Sentinel-2画像を用いて84%のF1スコアを得た。 レバノンの冬小麦データセット、コードリポジトリ、モデルウェイトを公式にリリースする予定です。

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)
• Adaptive Fusion of Multi-view Remote Sensing data for Optimal Sub-field Crop Yield Prediction [24.995959334158986]
  本研究では,異なる作物(スギ,コムギ,ラプシード)と地域(アルジャンティナ,ウルグアイ,ドイツ)の収量を予測するための,新しい多視点学習手法を提案する。 我々の入力データには、センチネル2衛星からのマルチスペクトル光学画像と、土壌特性や地形情報などの静的特徴を補完して、作物の生育期における動的特徴として気象データが含まれている。 データを効果的に融合するために、専用ビューエンコーダとGated Unit (GU)モジュールからなるMulti-view Gated Fusion (MVGF)モデルを導入する。 MVGFモデルは10m分解能でサブフィールドレベルで訓練される
  論文  参考訳（メタデータ） (2024-01-22T11:01:52Z)
• 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)
• 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)
• Winter Wheat Crop Yield Prediction on Multiple Heterogeneous Datasets using Machine Learning [0.2580765958706853]
  冬の小麦はイギリスで最も重要な作物の1つであり、作物の収穫予測は国の食料安全保障にとって不可欠である。 いくつかの研究は、郡や農場のレベルで収穫を予測するために機械学習(ML)技術を用いてきた。 本研究の目的は,多種多種データセットを用いたMLモデルを用いて冬期のコムギ収量を予測することである。
  論文  参考訳（メタデータ） (2023-06-20T23:52:39Z)
• 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)
• Towards Global Crop Maps with Transfer Learning [0.0]
  ディープラーニングモデルは、大量の注釈付きデータを必要とします。 本研究では,大韓民国における水稲検出のための深層学習モデルをSentinel-1 VH-1時系列を用いて開発・訓練した。 本手法は,同じ作物の異なる地域での移動において優れた性能を示し,異なる地域での移動において,より有望な結果を示す。
  論文  参考訳（メタデータ） (2022-11-09T09:17:42Z)
• Comparing Machine Learning Techniques for Alfalfa Biomass Yield Prediction [0.8808021343665321]
  アルファルファの作物は 家畜の餌として 世界的に重要で 効率的な植え付けと収穫は 多くの産業に役立ちます 機械学習を用いてアルファルファやその他の作物の収量を予測する最近の研究は、有望であることが示されている。 これまでの取り組みでは、リモートセンシング、天気、植林、土壌データを使用して、収量予測のための機械学習モデルをトレーニングしていた。
  論文  参考訳（メタデータ） (2022-10-20T13:00:33Z)
• 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)
• Estimating Crop Primary Productivity with Sentinel-2 and Landsat 8 using Machine Learning Methods Trained with Radiative Transfer Simulations [58.17039841385472]
  我々は,機械モデリングと衛星データ利用の並列化を活用し,作物生産性の高度モニタリングを行う。 本モデルでは, 地域情報を使用しなくても, 各種C3作物の種類, 環境条件の総合的生産性を推定することに成功した。 これは、現在の地球観測クラウドコンピューティングプラットフォームの助けを借りて、新しい衛星センサーから作物の生産性をグローバルにマップする可能性を強調しています。
  論文  参考訳（メタデータ） (2020-12-07T16:23:13Z)
• Semi-Supervised Semantic Segmentation in Earth Observation: The MiniFrance Suite, Dataset Analysis and Multi-task Network Study [82.02173199363571]
  我々は,地球観測における半教師付きセマンティックセマンティックセグメンテーションのための新しい大規模データセット,MiniFranceスイートを紹介した。 MiniFranceにはいくつかの前例のない特性があり、2000以上の超高解像度の空中画像を含み、200億枚以上のサンプル(ピクセル)を処理している。 外観の類似性やMiniFranceデータの徹底的な研究からデータ代表性分析のためのツールを提案し,半教師付き環境での学習や一般化に適していることを示す。
  論文  参考訳（メタデータ） (2020-10-15T15:36:58Z)

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。