論文の概要: Semi-Supervised Weed Detection for Rapid Deployment and Enhanced Efficiency
- arxiv url: http://arxiv.org/abs/2405.07399v1
- Date: Sun, 12 May 2024 23:34:06 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-14 15:14:45.266536
- Title: Semi-Supervised Weed Detection for Rapid Deployment and Enhanced Efficiency
- Title（参考訳）: 高速展開のための半監督雑草検出と高効率化
- Authors: Alzayat Saleh, Alex Olsen, Jake Wood, Bronson Philippa, Mostafa Rahimi Azghadi,
- Abstract要約: 本稿では,2つの主要成分からなる半教師付き雑草検出手法を提案する。
まず,異なる規模の雑草の特徴を捉えるために,マルチスケールの特徴表現手法を用いる。
第2に、トレーニング中にラベル付き画像の小さなセットを活用する適応的な擬似ラベル割り当て戦略を提案する。
- 参考スコア（独自算出の注目度）: 2.8444649426160304
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Weeds present a significant challenge in agriculture, causing yield loss and requiring expensive control measures. Automatic weed detection using computer vision and deep learning offers a promising solution. However, conventional deep learning methods often require large amounts of labelled training data, which can be costly and time-consuming to acquire. This paper introduces a novel method for semi-supervised weed detection, comprising two main components. Firstly, a multi-scale feature representation technique is employed to capture distinctive weed features across different scales. Secondly, we propose an adaptive pseudo-label assignment strategy, leveraging a small set of labelled images during training. This strategy dynamically assigns confidence scores to pseudo-labels generated from unlabeled data. Additionally, our approach integrates epoch-corresponding and mixed pseudo-labels to further enhance the learning process. Experimental results on the COCO dataset and five prominent weed datasets -- CottonWeedDet12, CropAndWeed, Palmer amaranth, RadishWheat, and RoboWeedMap -- illustrate that our method achieves state-of-the-art performance in weed detection, even with significantly less labelled data compared to existing techniques. This approach holds the potential to alleviate the labelling burden and enhance the feasibility and deployment speed of deep learning for weed detection in real-world agricultural scenarios.
- Abstract（参考訳）: 雑草は農業において重大な課題を示し、収量減少を引き起こし、高価な規制措置を必要とする。
コンピュータビジョンとディープラーニングを用いた自動雑草検出は、有望な解決策を提供する。
しかし,従来のディープラーニング手法では,大量のラベル付きトレーニングデータを必要とする場合が多い。
本稿では,2つの主要成分からなる半教師付き雑草検出手法を提案する。
まず,異なる規模の雑草の特徴を捉えるために,マルチスケールの特徴表現手法を用いる。
第2に、トレーニング中にラベル付き画像の小さなセットを活用する適応的な擬似ラベル割り当て戦略を提案する。
この戦略は、ラベルなしデータから生成された疑似ラベルに信頼スコアを動的に割り当てる。
さらに,本手法は,エポック対応と擬似ラベルを融合して学習プロセスをさらに強化する。
COCOデータセットと、CottonWeedDet12、CropAndWeed、Palmer amaranth、RadishWheat、RoboWeedMapの5つの顕著な雑草データセットに関する実験結果から、既存の技術と比較してラベル付きデータが少なくても、雑草検出における最先端のパフォーマンスを実現する方法が示されている。
このアプローチは,現実世界の農業シナリオにおける雑草検出において,ラベル付け負担を軽減するとともに,深層学習の実現可能性と展開速度を高める可能性を秘めている。
関連論文リスト
- RoWeeder: Unsupervised Weed Mapping through Crop-Row Detection [8.94249680213101]
RoWeederは、教師なし雑草マッピングのための革新的なフレームワークである。
クロップロー検出とノイズ耐性の深いディープラーニングモデルを組み合わせる。
RoWeederとドローン技術を統合することで、農家はリアルタイムで空中調査を行うことができる。
論文 参考訳（メタデータ） (2024-10-07T12:26:22Z) - Performance Evaluation of Semi-supervised Learning Frameworks for
Multi-Class Weed Detection [15.828967396019143]
効率的な雑草防除は、収穫量を最適化し、農産物の品質を高める上で重要な役割を担っている。
MLとDLによって実現された精密雑草管理の最近の進歩は、持続可能な代替手段となる。
半教師あり学習法、特に半教師あり学習法は、コンピュータビジョンの幅広い領域において注目を集めている。
論文 参考訳（メタデータ） (2024-03-06T00:59:51Z) - Productive Crop Field Detection: A New Dataset and Deep Learning
Benchmark Results [1.2233362977312945]
精密農業において、生産的作物畑の検出は、農家が作業性能を評価するための必須の慣行である。
従来の研究では、先進的な機械学習アルゴリズムを用いて、作物畑を検出する様々な方法が研究されている。
本稿では,マシン操作とSentinel-2画像を組み合わせた高品質なデータセットを提案する。
論文 参考訳（メタデータ） (2023-05-19T20:30:59Z) - Unsupervised Domain Adaptive Salient Object Detection Through
Uncertainty-Aware Pseudo-Label Learning [104.00026716576546]
そこで本研究では,手動のアノテーションを使わずに,自然に高いピクセルラベル品質を有する合成・クリーンなラベルから,サリエンスを学習することを提案する。
提案手法は,複数のベンチマークデータセット上で,既存の最先端の深層教師なしSOD法よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-02-26T16:03:55Z) - Weakly Supervised Change Detection Using Guided Anisotropic Difusion [97.43170678509478]
我々は、このようなデータセットを変更検出の文脈で活用するのに役立つ独自のアイデアを提案する。
まず,意味的セグメンテーション結果を改善する誘導異方性拡散(GAD)アルゴリズムを提案する。
次に、変化検出に適した2つの弱い教師付き学習戦略の可能性を示す。
論文 参考訳（メタデータ） (2021-12-31T10:03:47Z) - Towards Reducing Labeling Cost in Deep Object Detection [61.010693873330446]
本稿では,検知器の不確実性と頑健性の両方を考慮した,アクティブラーニングのための統一的なフレームワークを提案する。
提案手法は, 確率分布のドリフトを抑えながら, 極めて確実な予測を擬似ラベル化することができる。
論文 参考訳（メタデータ） (2021-06-22T16:53:09Z) - Semi-supervised Long-tailed Recognition using Alternate Sampling [95.93760490301395]
ロングテール認識の主な課題は、データ分布の不均衡とテールクラスにおけるサンプル不足である。
半教師付き長尾認識という新しい認識設定を提案する。
2つのデータセットで、他の競合方法よりも大幅な精度向上を実証します。
論文 参考訳（メタデータ） (2021-05-01T00:43:38Z) - Deep Semi-supervised Metric Learning with Dual Alignment for Cervical
Cancer Cell Detection [49.78612417406883]
子宮頸癌細胞検出のための新しい半教師付き深度測定法を提案する。
私たちのモデルは、埋め込みメトリック空間を学習し、提案レベルとプロトタイプレベルの両方でセマンティック機能の二重アライメントを行います。
本研究は,240,860個の頸部細胞画像からなる半監督型頸部がん細胞検出のための大規模データセットを初めて構築した。
論文 参考訳（メタデータ） (2021-04-07T17:11:27Z) - A Survey of Deep Learning Techniques for Weed Detection from Images [4.96981595868944]
既存の深層学習に基づく雑草検出・分類手法を検討する。
その結果,ほとんどの研究が教師あり学習手法を適用し,高い分類精度を達成した。
過去の実験は、大量のラベル付きデータが利用できる場合に既に高い精度を達成している。
論文 参考訳（メタデータ） (2021-03-02T02:02:24Z) - Deep Semi-supervised Knowledge Distillation for Overlapping Cervical
Cell Instance Segmentation [54.49894381464853]
本稿では, ラベル付きデータとラベルなしデータの両方を, 知識蒸留による精度向上に活用することを提案する。
摂動に敏感なサンプルマイニングを用いたマスク誘導型平均教師フレームワークを提案する。
実験の結果,ラベル付きデータのみから学習した教師付き手法と比較して,提案手法は性能を著しく向上することがわかった。
論文 参考訳（メタデータ） (2020-07-21T13:27:09Z)
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。