論文の概要: S$^3$AD: Semi-supervised Small Apple Detection in Orchard Environments
- arxiv url: http://arxiv.org/abs/2311.05029v1
- Date: Wed, 8 Nov 2023 21:25:27 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-10 16:44:46.250220
- Title: S$^3$AD: Semi-supervised Small Apple Detection in Orchard Environments
- Title（参考訳）: s$^3$ad:果樹園における半教師付き小型リンゴ検出
- Authors: Robert Johanson and Christian Wilms and Ole Johannsen and Simone
Frintrop
- Abstract要約: 作物検出は、自動収量推定や果物の摘みなど、精密農業用途に不可欠である。
本研究では,リンゴ検出タスクを半教師付きで再構築することで課題に対処する。
14,667個のアノテートリンゴインスタンスと4,440個の未ラベル画像からなる105個のラベル付き画像からなる、大規模で高解像度のデータセットMADを提供する。
また,小型リンゴの検出の難易度を高めるため,コンテキストアテンションと選択タイリングに基づく半スーパービジョン型小型アップル検出システムS$3$ADを提案する。
- 参考スコア（独自算出の注目度）: 3.1979650133817206
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Crop detection is integral for precision agriculture applications such as
automated yield estimation or fruit picking. However, crop detection, e.g.,
apple detection in orchard environments remains challenging due to a lack of
large-scale datasets and the small relative size of the crops in the image. In
this work, we address these challenges by reformulating the apple detection
task in a semi-supervised manner. To this end, we provide the large,
high-resolution dataset MAD comprising 105 labeled images with 14,667 annotated
apple instances and 4,440 unlabeled images. Utilizing this dataset, we also
propose a novel Semi-Supervised Small Apple Detection system S$^3$AD based on
contextual attention and selective tiling to improve the challenging detection
of small apples, while limiting the computational overhead. We conduct an
extensive evaluation on MAD and the MSU dataset, showing that S$^3$AD
substantially outperforms strong fully-supervised baselines, including several
small object detection systems, by up to $14.9\%$. Additionally, we exploit the
detailed annotations of our dataset w.r.t. apple properties to analyze the
influence of relative size or level of occlusion on the results of various
systems, quantifying current challenges.
- Abstract（参考訳）: 作物検出は、自動収量推定や果物の摘みなどの精密農業用途に不可欠である。
しかし、果樹園環境におけるリンゴ検出などの作物検出は、大規模なデータセットが不足し、画像中の作物の相対的サイズが小さいため、依然として困難である。
本研究では,リンゴ検出タスクを半教師付きで再構築することで,これらの課題に対処する。
この目的のために私たちは、105のラベル付き画像と14,667のappleインスタンスと4,440のラベル付き画像からなる大規模で高解像度なデータセットを提供する。
また、このデータセットを利用して、文脈的注意と選択的タイリングに基づく半教師付き小型リンゴ検出システムs$^3$adを提案し、計算オーバーヘッドを制限しながら、小型リンゴの挑戦的な検出を改善する。
我々はMADとMSUデータセットを広範囲に評価し、S$^3$ADは、いくつかの小さなオブジェクト検出システムを含む、強力な完全教師付きベースラインよりも14.9$%高い性能を示した。
さらに,我々のデータセットw.r.t.appleプロパティの詳細なアノテーションを利用して,相対的なサイズや咬合レベルが各種システムに与える影響を分析し,現在の課題を定量化する。
関連論文リスト
- CitDet: A Benchmark Dataset for Citrus Fruit Detection [4.148753005188076]
本研究は,キツネ果実の検出における技術状況の進展と,黄龍病の被害を受けた樹木の収量を正確に推定するための新しいデータセットを提案する。
データセットは579の高解像度画像に含まれるフルーツインスタンスのための32,000以上のバウンディングボックスアノテーションで構成されている。
論文 参考訳（メタデータ） (2023-09-11T17:37:08Z) - Augment and Criticize: Exploring Informative Samples for Semi-Supervised
Monocular 3D Object Detection [64.65563422852568]
我々は、一般的な半教師付きフレームワークを用いて、難解な単分子3次元物体検出問題を改善する。
我々は、ラベルのないデータから豊富な情報的サンプルを探索する、新しい、シンプルで効果的なAugment and Criticize'フレームワークを紹介します。
3DSeMo_DLEと3DSeMo_FLEXと呼ばれる2つの新しい検出器は、KITTIのAP_3D/BEV(Easy)を3.5%以上改善した。
論文 参考訳（メタデータ） (2023-03-20T16:28:15Z) - O2RNet: Occluder-Occludee Relational Network for Robust Apple Detection
in Clustered Orchard Environments [10.045174456984412]
深層学習に基づくリンゴ検出フレームワークOccluder-Occludee Comprehensive Network(O2RNet)の開発について述べる。
開発されたO2RNetは、最先端モデルよりも94%高い精度でF1スコアが0.88である。
論文 参考訳（メタデータ） (2023-03-08T20:46:05Z) - Weakly and Semi-Supervised Detection, Segmentation and Tracking of Table
Grapes with Limited and Noisy Data [7.754321012552764]
現代のアルゴリズムはデータに飢えており、最高のパフォーマンスの教師付きアプローチを適用するのに十分なデータを集めることは必ずしも不可能である。
本稿では,精密農業応用における最先端検出・分節化に必要なデータを削減するために,弱教師付きソリューションを提案する。
我々は,ラベル付き画像がほとんどなく,非常に単純なラベル付けで高い性能を達成できる新しいモデルをいかに訓練できるかを示す。
論文 参考訳（メタデータ） (2022-08-27T12:58:42Z) - Towards Large-Scale Small Object Detection: Survey and Benchmarks [48.961205652306695]
我々は2つの大規模小型物体検出装置(SODA)、SODA-DおよびSODA-Aを構築し、それぞれが運転シナリオと航空シナリオに焦点を当てている。
SODA-Aでは,高分解能空中画像2513点を抽出し,9クラスに872069点を注釈した。
提案されたデータセットは、徹底的な注釈付きインスタンスの膨大なコレクションを持つ大規模なベンチマークへの最初の試みである。
論文 参考訳（メタデータ） (2022-07-28T14:02:18Z) - Localizing Small Apples in Complex Apple Orchard Environments [4.468952886990851]
本研究では, オブジェクト提案生成システムであるAttentionMaskを適応させることにより, リンゴ全体の画像中のリンゴの局在化の問題に対処する。
AttentionMaskは、非常に小さなリンゴ用の新しいモジュールを追加するか、ティリングフレームワークに統合することで適応します。
どちらのアプローチも、MinneAppleデータセットの標準オブジェクト提案生成システムよりも明らかに優れています。
論文 参考訳（メタデータ） (2022-02-23T09:25:37Z) - WSSOD: A New Pipeline for Weakly- and Semi-Supervised Object Detection [75.80075054706079]
弱機能および半教師付きオブジェクト検出フレームワーク(WSSOD)を提案する。
エージェント検出器は、まず関節データセット上でトレーニングされ、弱注釈画像上で擬似境界ボックスを予測するために使用される。
提案フレームワークはPASCAL-VOC と MSCOCO のベンチマークで顕著な性能を示し,完全教師付き環境で得られたものと同等の性能を達成している。
論文 参考訳（メタデータ） (2021-05-21T11:58:50Z) - Large-Scale Object Detection in the Wild from Imbalanced Multi-Labels [128.77822070156057]
本研究では,対象物が明示的にあるいは暗黙的に複数のラベルを持つ可能性のあるラベル問題を定量的に解析する。
ラベルの不均衡に対処するために,ハイブリッドトレーニングスケジューラを用いたソフトサンプリング手法を提案する。
提案手法は3.34点の劇的な改善を実現し,オープンイメージの公開オブジェクト検出テストセット上で60.90mAPの最高の単一モデルを実現する。
論文 参考訳（メタデータ） (2020-05-18T04:36:36Z) - Real-Time Apple Detection System Using Embedded Systems With Hardware
Accelerators: An Edge AI Application [1.3764085113103222]
提案した研究は、小さな物体を検出するためにYOLOv3-tinyアーキテクチャを適用した。
これは、安価で電力効率のよい組み込みハードウェアにカスタマイズされたモデルをデプロイできる可能性を示している。
提案した組込みソリューションは、無人の地上車両に展開して、リンゴの大きさを検出し、数え、測定することができる。
論文 参考訳（メタデータ） (2020-04-28T10:40:01Z) - EHSOD: CAM-Guided End-to-end Hybrid-Supervised Object Detection with
Cascade Refinement [53.69674636044927]
本稿では,エンド・ツー・エンドのハイブリッド型オブジェクト検出システムであるEHSODについて述べる。
完全なアノテートと弱いアノテートの両方で、ワンショットでトレーニングすることができる。
完全なアノテートされたデータの30%しか持たない複数のオブジェクト検出ベンチマークで、同等の結果が得られる。
論文 参考訳（メタデータ） (2020-02-18T08:04:58Z) - GraspNet: A Large-Scale Clustered and Densely Annotated Dataset for
Object Grasping [49.777649953381676]
我々は,統合評価システムを用いた大規模グリップポーズ検出データセットに貢献する。
データセットには87,040枚のRGBD画像と3億7000万枚以上のグリップポーズが含まれている。
論文 参考訳（メタデータ） (2019-12-31T18:15:11Z)
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。