論文の概要: RoWeeder: Unsupervised Weed Mapping through Crop-Row Detection

• arxiv url: http://arxiv.org/abs/2410.04983v2
• Date: Tue, 8 Oct 2024 08:56:57 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-02 00:57:50.154025
• Title: RoWeeder: Unsupervised Weed Mapping through Crop-Row Detection
• Title（参考訳）: RoWeeder:クロップロウ検出による教師なし雑草マッピング
• Authors: Pasquale De Marinis, Gennaro Vessio, Giovanna Castellano,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 8.94249680213101
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Precision agriculture relies heavily on effective weed management to ensure robust crop yields. This study presents RoWeeder, an innovative framework for unsupervised weed mapping that combines crop-row detection with a noise-resilient deep learning model. By leveraging crop-row information to create a pseudo-ground truth, our method trains a lightweight deep learning model capable of distinguishing between crops and weeds, even in the presence of noisy data. Evaluated on the WeedMap dataset, RoWeeder achieves an F1 score of 75.3, outperforming several baselines. Comprehensive ablation studies further validated the model's performance. By integrating RoWeeder with drone technology, farmers can conduct real-time aerial surveys, enabling precise weed management across large fields. The code is available at: \url{https://github.com/pasqualedem/RoWeeder}.
• Abstract（参考訳）: 精密農業は、堅実な収穫を確保するために効果的な雑草管理に大きく依存している。 本研究は,作物の群落検出と雑音耐性深層学習モデルを組み合わせた,教師なし雑草マッピングの革新的なフレームワークであるRoWeederを提示する。 本手法は,作物と雑草を区別できる軽量な深層学習モデルを,ノイズのあるデータが存在する場合でも訓練する。 WeedMapデータセットに基づいて評価され、RoWeederはF1スコア75.3を獲得し、いくつかのベースラインを上回っている。 包括的アブレーション研究により、モデルの性能がさらに検証された。 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、大規模な畑で正確な雑草管理が可能になる。 コードは: \url{https://github.com/pasqualedem/RoWeeder} で利用可能である。

関連論文リスト

• Semi-Supervised Weed Detection for Rapid Deployment and Enhanced Efficiency [2.8444649426160304]
  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。
  論文  参考訳（メタデータ） (2024-05-12T23:34:06Z)
• 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)
• 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)
• Comparing Machine Learning Techniques for Alfalfa Biomass Yield Prediction [0.8808021343665321]
  アルファルファの作物は 家畜の餌として 世界的に重要で 効率的な植え付けと収穫は 多くの産業に役立ちます 機械学習を用いてアルファルファやその他の作物の収量を予測する最近の研究は、有望であることが示されている。 これまでの取り組みでは、リモートセンシング、天気、植林、土壌データを使用して、収量予測のための機械学習モデルをトレーニングしていた。
  論文  参考訳（メタデータ） (2022-10-20T13:00:33Z)
• A Novel Dataset for Evaluating and Alleviating Domain Shift for Human Detection in Agricultural Fields [59.035813796601055]
  トレーニングセットの分布外のデータに展開した場合、ドメインシフトが、よく知られたオブジェクト検出データセット上で訓練された人間の検出モデルに与える影響を評価する。 我々は、ロボットティプラットフォームを用いて、農業ロボット応用の文脈で収集されたOpenDR Humans in Fieldデータセットを紹介した。
  論文  参考訳（メタデータ） (2022-09-27T07:04:28Z)
• Generative models-based data labeling for deep networks regression: application to seed maturity estimation from UAV multispectral images [3.6868861317674524]
  種子の成熟度モニタリングは、気候変動とより制限的な慣行による農業における課題の増加である。 従来の手法は、フィールドでの限られたサンプリングと実験室での分析に基づいている。 マルチスペクトルUAV画像を用いたパセリ種子の成熟度推定手法の提案と,自動ラベリングのための新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2022-08-09T09:06:51Z)
• End-to-end deep learning for directly estimating grape yield from ground-based imagery [53.086864957064876]
  本研究は, ブドウ畑の収量推定に深層学習と併用した近位画像の応用を実証する。 オブジェクト検出、CNN回帰、トランスフォーマーモデルという3つのモデルアーキテクチャがテストされた。 本研究は,ブドウの収量予測における近位画像と深層学習の適用性を示した。
  論文  参考訳（メタデータ） (2022-08-04T01:34:46Z)
• Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D Object Detection [85.11649974840758]
  3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。 そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
  論文  参考訳（メタデータ） (2021-11-30T18:42:42Z)
• 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)
• 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)
• A CNN Approach to Simultaneously Count Plants and Detect Plantation-Rows from UAV Imagery [56.10033255997329]
  畳み込みニューラルネットワーク(CNN)を用いた新しい深層学習手法を提案する。 高度に乾燥したプランテーション構成を考慮した植物を数えながら、同時にプランテーション・ロウを検出し、配置する。 提案手法は、異なる種類の作物のUAV画像において、植物と植物をカウントおよびジオロケートするための最先端の性能を達成した。
  論文  参考訳（メタデータ） (2020-12-31T18:51:17Z)

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。