論文の概要: Can SAM recognize crops? Quantifying the zero-shot performance of a
semantic segmentation foundation model on generating crop-type maps using
satellite imagery for precision agriculture
- arxiv url: http://arxiv.org/abs/2311.15138v2
- Date: Mon, 4 Dec 2023 21:02:05 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-06 18:45:30.473453
- Title: Can SAM recognize crops? Quantifying the zero-shot performance of a
semantic segmentation foundation model on generating crop-type maps using
satellite imagery for precision agriculture
- Title（参考訳）: SAMは作物を認識できますか?
精密農業のための衛星画像を用いた作物型地図作成のためのセグメンテーション基礎モデルのゼロショット性能の定量化
- Authors: Rutuja Gurav, Het Patel, Zhuocheng Shang, Ahmed Eldawy, Jia Chen, Elia
Scudiero, Evangelos Papalexakis
- Abstract要約: クロップ型マップは意思決定支援ツールの重要な情報である。
本稿では,Meta AIのSegment Anything Model(SAM)の作物マップ予測機能について検討する。
SAMは最大3チャンネルの入力に制限されており、ゼロショットの使用は本質的にクラスに依存しない。
- 参考スコア（独自算出の注目度）: 4.825257766966091
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Climate change is increasingly disrupting worldwide agriculture, making
global food production less reliable. To tackle the growing challenges in
feeding the planet, cutting-edge management strategies, such as precision
agriculture, empower farmers and decision-makers with rich and actionable
information to increase the efficiency and sustainability of their farming
practices. Crop-type maps are key information for decision-support tools but
are challenging and costly to generate. We investigate the capabilities of Meta
AI's Segment Anything Model (SAM) for crop-map prediction task, acknowledging
its recent successes at zero-shot image segmentation. However, SAM being
limited to up-to 3 channel inputs and its zero-shot usage being class-agnostic
in nature pose unique challenges in using it directly for crop-type mapping. We
propose using clustering consensus metrics to assess SAM's zero-shot
performance in segmenting satellite imagery and producing crop-type maps.
Although direct crop-type mapping is challenging using SAM in zero-shot
setting, experiments reveal SAM's potential for swiftly and accurately
outlining fields in satellite images, serving as a foundation for subsequent
crop classification. This paper attempts to highlight a use-case of
state-of-the-art image segmentation models like SAM for crop-type mapping and
related specific needs of the agriculture industry, offering a potential avenue
for automatic, efficient, and cost-effective data products for precision
agriculture practices.
- Abstract（参考訳）: 気候変動は世界の農業を混乱させ、世界の食料生産の信頼性を低下させている。
地球への給餌における課題の増大に対処するため、精密農業などの最先端管理戦略は、農業の効率と持続可能性を高めるために、農家や意思決定者に豊かで実用的な情報を与える。
作物型地図は意思決定支援ツールの重要な情報であるが、作成が困難で費用がかかる。
ゼロショット画像セグメンテーションにおける最近の成功を認め, 収穫マップ予測タスクにおけるMeta AIのセグメンテーションモデル(SAM)の機能について検討する。
しかし、SAMは最大3チャンネルの入力に制限されており、ゼロショットの使用は本質的にクラスに依存しないため、作物型のマッピングに直接使用する際には固有の課題がある。
衛星画像のセグメンテーションにおけるSAMのゼロショット性能の評価と,作物型地図の作成にクラスタリングコンセンサスを用いた手法を提案する。
直接の作物型マッピングは、SAMをゼロショット設定で使用することは難しいが、実験により、SAMが衛星画像のフィールドを素早く正確にアウトライン化できる可能性を明らかにし、その後の作物分類の基礎となる。
本稿では,農業産業における作物種別マッピングと関連する特定のニーズに対するsamなどの最先端画像分割モデルのユースケースを強調し,精密農業実践のための自動的,効率的,費用効率の良いデータ製品の可能性について考察する。
関連論文リスト
- Combining Satellite and Weather Data for Crop Type Mapping: An Inverse
Modelling Approach [23.23933321161625]
天気(デイメット)と衛星画像(センチネル-2)を組み合わせて正確な作物地図を生成する深層学習モデルを提案する。
提案手法は,スペクトル画像のみに依存する既存のアルゴリズムよりも大幅に改善されていることを示す。
この結果と作物の表現学を関連づけることで,WSTATTが作物の成長の物理的特性を捉えることができることを示す。
論文 参考訳（メタデータ） (2024-01-29T04:15:22Z) - Improving the Generalization of Segmentation Foundation Model under
Distribution Shift via Weakly Supervised Adaptation [47.804446629216656]
本稿では,アンカー正規化と低ランク微調整を併用した弱教師付き自己学習アーキテクチャを提案する。
本研究では, 自然浄化・破損画像, 医用画像, カモフラージュ画像, ロボット画像など, 5種類の下流セグメンテーションタスクの有効性を検証した。
論文 参考訳（メタデータ） (2023-12-06T13:59:22Z) - AI for Agriculture: the Comparison of Semantic Segmentation Methods for
Crop Mapping with Sentinel-2 Imagery [0.0]
作物マッピングは、農業における人工知能における最も一般的なタスクの1つである。
高解像度の衛星画像により、テクスチャは最先端のアルゴリズムの大部分によって容易に検出される。
本稿では,衛星画像の自由な利用が可能な機械学習手法について検討する。
論文 参考訳（メタデータ） (2023-11-21T21:00:42Z) - A SAM-based Solution for Hierarchical Panoptic Segmentation of Crops and
Weeds Competition [2.7624021966289605]
本稿では,Segment AnyThing Model(SAM)のインスタンスセグメンテーションにおける有効性と,オブジェクト検出モデルからの迅速な入力を組み合わせたアプローチを提案する。
ベストパフォーマンスモデルでは,PQ+スコアが81.33であった。
論文 参考訳（メタデータ） (2023-09-24T08:34:12Z) - 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 [29.590872330449315]
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。
論文 参考訳（メタデータ） (2023-06-07T16:04:08Z) - 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) - 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) - UAV and Machine Learning Based Refinement of a Satellite-Driven
Vegetation Index for Precision Agriculture [0.8399688944263843]
本稿では,深層学習技術に基づく新しい衛星画像補正フレームワークを提案する。
無人航空機(UAV)が取得した高解像度画像から得られる情報を適切に活用する。
セラルンガ・ダルバ (Serralunga d'Alba) のブドウ園は、検証のためのケーススタディとして選ばれた。
論文 参考訳（メタデータ） (2020-04-29T18:34:48Z) - 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。