論文の概要: Leafy Spurge Dataset: Real-world Weed Classification Within Aerial Drone Imagery

• arxiv url: http://arxiv.org/abs/2405.03702v2
• Date: Wed, 8 May 2024 16:59:05 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-09 13:25:23.608034
• Title: Leafy Spurge Dataset: Real-world Weed Classification Within Aerial Drone Imagery
• Title（参考訳）: 空飛ぶドローン画像の中の雑草をリアルに分類する「Leafy Spurge Dataset」
• Authors: Kyle Doherty, Max Gurinas, Erik Samsoe, Charles Casper, Beau Larkin, Philip Ramsey, Brandon Trabucco, Ruslan Salakhutdinov,
• Abstract要約: 侵入する植物種は、農業と農地の両方の生態に有害である。 ユープホルビア・エスラ(Euphorbia esula)のような外来植物は、東ヨーロッパから北アメリカの大部分に分布している。 米国モンタナ州西部の草原で、葉質のふわふわしたスプージの存在と不在のデータセットを収集し、商用ドローンでこれらの地域を調査した。 我々はこれらのデータに基づいて画像分類器を訓練し、我々の最高の性能モデルであるDINOv2視覚変換器は、葉の隆起を0.84精度で同定した。
• 参考スコア（独自算出の注目度）: 37.51633459581306
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Invasive plant species are detrimental to the ecology of both agricultural and wildland areas. Euphorbia esula, or leafy spurge, is one such plant that has spread through much of North America from Eastern Europe. When paired with contemporary computer vision systems, unmanned aerial vehicles, or drones, offer the means to track expansion of problem plants, such as leafy spurge, and improve chances of controlling these weeds. We gathered a dataset of leafy spurge presence and absence in grasslands of western Montana, USA, then surveyed these areas with a commercial drone. We trained image classifiers on these data, and our best performing model, a pre-trained DINOv2 vision transformer, identified leafy spurge with 0.84 accuracy (test set). This result indicates that classification of leafy spurge is tractable, but not solved. We release this unique dataset of labelled and unlabelled, aerial drone imagery for the machine learning community to explore. Improving classification performance of leafy spurge would benefit the fields of ecology, conservation, and remote sensing alike. Code and data are available at our website: leafy-spurge-dataset.github.io.
• Abstract（参考訳）: 外来植物種は、農業と森林の双方の生態に有害である。 ユープホルビア・エスラ(Euphorbia esula)は、北アメリカの大部分を東ヨーロッパから広げた植物である。 現代のコンピュータビジョンシステムと組み合わせると、無人航空機、またはドローンは、葉のような問題植物の拡大を追跡する手段を提供し、これらの雑草を制御する機会を向上させる。 米国モンタナ州西部の草原で、葉質のふわふわしたスプージの存在と不在のデータセットを収集し、商用ドローンでこれらの地域を調査した。 我々はこれらのデータに基づいて画像分類器を訓練し、最高の性能モデルである事前訓練されたDINOv2視覚変換器は、葉状突起を0.84精度(テストセット)で同定した。 この結果から, 葉柄のスプージの分類は抽出可能であるが, 解けないことが示唆された。 私たちは、機械学習コミュニティが探索するために、ラベル付きでラベル付けされていない無人ドローン画像のこのユニークなデータセットをリリースします。 葉のふわふわの分類性能の向上は、生態学、保存学、リモートセンシングの分野にも恩恵をもたらすだろう。 コードとデータは、私たちのWebサイト(leapy-spurge-dataset.github.io)で公開されています。

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)
• Evaluating Data Augmentation Techniques for Coffee Leaf Disease Classification [2.0892083471064407]
  本稿では,RoCoLeデータセットを用いて,深層学習による画像からのコーヒー葉病の分類を行う。 本研究は, トランスフォーマーモデル, オンライン強化, およびCycleGAN増強が葉病分類の改善に有効であることを示す。
  論文  参考訳（メタデータ） (2024-01-11T09:22:36Z)
• SatBird: Bird Species Distribution Modeling with Remote Sensing and Citizen Science Data [68.2366021016172]
  本稿では,市民科学データベース eBird の観測データから得られたラベルを用いた,米国内の位置情報のサテライトデータセットである SatBird について述べる。 ケニアでは低データのレシエーションを表すデータセットも提供しています。 リモートセンシングタスクのためのSOTAモデルを含む、データセットのベースラインセットをベンチマークします。
  論文  参考訳（メタデータ） (2023-11-02T02:00:27Z)
• 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)
• Transferring learned patterns from ground-based field imagery to predict UAV-based imagery for crop and weed semantic segmentation in precision crop farming [3.95486899327898]
  雑草の区分けのために,UAVのフィールド画像と空中画像の両方を予測できる深層畳み込みネットワークを開発した。 ネットワーク学習プロセスは、浅い層と深い層のフィーチャーマップによって視覚化される。 この研究は、深層畳み込みニューラルネットワークが、フィールド画像と空中画像の両方から雑草を分類するために使用できることを示した。
  論文  参考訳（メタデータ） (2022-10-20T19:25:06Z)
• Agricultural Plant Cataloging and Establishment of a Data Framework from UAV-based Crop Images by Computer Vision [4.0382342610484425]
  本稿では,UAVからの収穫画像の時間的・空間的識別と識別を自動化するための手動ワークフローを提案する。 提案手法は農業におけるUAVデータの分析と解釈を大幅に改善する。
  論文  参考訳（メタデータ） (2022-01-08T21:14:07Z)
• Deep-CNN based Robotic Multi-Class Under-Canopy Weed Control in Precision Farming [2.6085535710135654]
  リアルタイム多クラス雑草識別は雑草の種特異的な処理を可能にし、除草剤の使用量を著しく減少させる。 本稿では,5つのベンチマークCNNモデルを用いた分類性能のベースラインを提案する。 我々はMobileNetV2を、リアルタイム雑草検出のためのコンパクトな自律ロボットTextitSAMBotにデプロイする。
  論文  参考訳（メタデータ） (2021-12-28T03:51:55Z)
• 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)
• Weed Density and Distribution Estimation for Precision Agriculture using Semi-Supervised Learning [0.0]
  雑草密度と分布のロバストな推定のための深層学習に基づく半教師付き手法を提案する。 本研究では、作物や雑草を含む前景の植生画素を、畳み込みニューラルネットワーク(CNN)に基づく教師なしセグメンテーションを用いて最初に同定する。 雑草感染地域は、細調整されたCNNを用いて識別され、手作りの特徴を設計する必要がなくなる。
  論文  参考訳（メタデータ） (2020-11-04T09:35:53Z)
• Two-View Fine-grained Classification of Plant Species [66.75915278733197]
  本研究では,2視点の葉のイメージ表現に基づく新しい手法と,植物種の粒度認識のための階層的分類戦略を提案する。 シームズ畳み込みニューラルネットワークに基づく深度測定は、多数のトレーニングサンプルへの依存を減らし、新しい植物種に拡張性を持たせるために用いられる。
  論文  参考訳（メタデータ） (2020-05-18T21:57:47Z)

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。