論文の概要: PlantSeg: A Large-Scale In-the-wild Dataset for Plant Disease Segmentation

• arxiv url: http://arxiv.org/abs/2409.04038v1
• Date: Fri, 6 Sep 2024 06:11:28 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-09 16:48:15.956875
• Title: PlantSeg: A Large-Scale In-the-wild Dataset for Plant Disease Segmentation
• Title（参考訳）: PlantSeg: 植物病セグメンテーションのための大規模In-the-Wildデータセット
• Authors: Tianqi Wei, Zhi Chen, Xin Yu, Scott Chapman, Paul Melloy, Zi Huang,
• Abstract要約: 植物病データセットは一般的にセグメンテーションラベルを欠いている。 実験室の設定からの画像を含む典型的なデータセットとは異なり、PlanetSegは主に野生の植物病の画像で構成されている。 植物セグは11,400枚の画像と病気のセグメンテーションマスクと、植物の種類によって分類された8000枚の健康な植物画像が特徴である。
• 参考スコア（独自算出の注目度）: 37.383095056084834
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Plant diseases pose significant threats to agriculture. It necessitates proper diagnosis and effective treatment to safeguard crop yields. To automate the diagnosis process, image segmentation is usually adopted for precisely identifying diseased regions, thereby advancing precision agriculture. Developing robust image segmentation models for plant diseases demands high-quality annotations across numerous images. However, existing plant disease datasets typically lack segmentation labels and are often confined to controlled laboratory settings, which do not adequately reflect the complexity of natural environments. Motivated by this fact, we established PlantSeg, a large-scale segmentation dataset for plant diseases. PlantSeg distinguishes itself from existing datasets in three key aspects. (1) Annotation type: Unlike the majority of existing datasets that only contain class labels or bounding boxes, each image in PlantSeg includes detailed and high-quality segmentation masks, associated with plant types and disease names. (2) Image source: Unlike typical datasets that contain images from laboratory settings, PlantSeg primarily comprises in-the-wild plant disease images. This choice enhances the practical applicability, as the trained models can be applied for integrated disease management. (3) Scale: PlantSeg is extensive, featuring 11,400 images with disease segmentation masks and an additional 8,000 healthy plant images categorized by plant type. Extensive technical experiments validate the high quality of PlantSeg's annotations. This dataset not only allows researchers to evaluate their image classification methods but also provides a critical foundation for developing and benchmarking advanced plant disease segmentation algorithms.
• Abstract（参考訳）: 植物病は農業に重大な脅威をもたらす。 作物の収量を保護するためには適切な診断と効果的な治療が必要である。 診断プロセスを自動化するために、画像分割が通常、疾患領域を正確に識別するために採用され、それによって精度の高い農業が進められる。 植物病に対するロバストなイメージセグメンテーションモデルの開発には、多数の画像にまたがる高品質なアノテーションが必要である。 しかし、既存の植物病データセットは一般的にセグメンテーションラベルが欠如しており、多くの場合、自然環境の複雑さを適切に反映しない、制御された実験室の設定に限られている。 そこで我々は,植物病の大規模セグメンテーションデータセットであるPlanetSegを構築した。 PlantSegは既存のデータセットを3つの重要な側面で区別している。 1)アノテーションタイプ:クラスラベルや境界ボックスのみを含む既存のデータセットとは異なり、PlanetSegの各画像には、植物の種類や病名に関連する詳細かつ高品質なセグメンテーションマスクが含まれている。 2) 画像ソース: 実験室設定の画像を含む典型的なデータセットとは異なり, PlantSeg は主に野生植物病画像から構成される。 この選択は、トレーニングされたモデルを統合疾患管理に適用できるため、実用的な適用性を高める。 (3)スケール:植物セグは11,400枚の画像と,植物の種類別に分類した8000枚の健康な植物像を特徴とする。 大規模な技術実験は、PlantSegのアノテーションの高品質さを検証する。 このデータセットは、研究者が画像分類法を評価するだけでなく、先進的な植物病のセグメンテーションアルゴリズムの開発とベンチマークのための重要な基盤を提供する。

関連論文リスト

• Self-supervised transformer-based pre-training method with General Plant Infection dataset [3.969851116372513]
  本研究では、コントラスト学習とマスクド画像モデリング(MIM)を組み合わせた高度なネットワークアーキテクチャを提案する。 提案するネットワークアーキテクチャは,植物害虫や病原体認識タスクに対処し,優れた検出精度を実現する。 私たちのコードとデータセットは、植物害虫の研究と病気の認識を促進するために公開されます。
  論文  参考訳（メタデータ） (2024-07-20T15:48:35Z)
• 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)
• Detection of healthy and diseased crops in drone captured images using Deep Learning [0.0]
  病気によって引き起こされる植物の正常な状態の破壊は、しばしば本質的な植物活動に干渉する。 ドローン画像を用いた植物病の効率的な検出のための深層学習に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2023-05-22T21:15:12Z)
• High-Quality Entity Segmentation [110.55724145851725]
  CropFormerは高解像度画像におけるインスタンスレベルのセグメンテーションの難易度に対処するために設計されている。 よりきめ細かい画像とフルイメージを提供する高解像度の画像作物を融合することで、マスク予測を改善する。 CropFormerでは、難易度の高いエンティティセグメンテーションタスクで1.9ドルという大きなAP利益を達成しています。
  論文  参考訳（メタデータ） (2022-11-10T18:58:22Z)
• Semantic Image Segmentation with Deep Learning for Vine Leaf Phenotyping [59.0626764544669]
  本研究では,ブドウの葉のイメージを意味的にセグメント化するためにDeep Learning法を用いて,葉の表現型自動検出システムを開発した。 私たちの研究は、成長や開発のような動的な特性を捉え定量化できる植物ライフサイクルのモニタリングに寄与します。
  論文  参考訳（メタデータ） (2022-10-24T14:37:09Z)
• Leaf Image-based Plant Disease Identification using Color and Texture Features [0.1657441317977376]
  自己収集されたデータセットの精度は、病気の識別に82.47%、健康と疾患の分類に91.40%である。 このプロトタイプシステムは、より多くの病種を追加したり、特定の作物や病種をターゲットにすることで拡張することができる。
  論文  参考訳（メタデータ） (2021-02-08T20:32:56Z)
• Chaotic-to-Fine Clustering for Unlabeled Plant Disease Images [14.22068250199567]
  現在の植物病画像の注釈は、農業の専門家による手作業による分類と手作りの特徴に依存する。 Kernel K-means の脆弱性に基づいた,植物病画像のグループ化のための自己教師付きクラスタリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-01-18T00:44:12Z)
• A Multi-Plant Disease Diagnosis Method using Convolutional Neural Network [0.0]
  本章では,複数植物の診断を併用した最適な植物病原体同定モデルについて検討する。 我々は多くの一般的な畳み込みニューラルネットワーク(CNN)アーキテクチャを実装している。 Xception と DenseNet アーキテクチャは,マルチラベル植物病の分類タスクにおいて,より優れた性能を示した。
  論文  参考訳（メタデータ） (2020-11-10T15:18:52Z)
• Pollen13K: A Large Scale Microscope Pollen Grain Image Dataset [63.05335933454068]
  この研究は、1万3千以上の天体を含む最初の大規模花粉画像データセットを提示する。 本稿では, エアロバイオロジカルサンプリング, 顕微鏡画像取得, 物体検出, セグメンテーション, ラベル付けなど, 採用データ取得のステップに注目した。
  論文  参考訳（メタデータ） (2020-07-09T10:33:31Z)
• 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。