論文の概要: WeedsGalore: A Multispectral and Multitemporal UAV-based Dataset for Crop and Weed Segmentation in Agricultural Maize Fields

• arxiv url: http://arxiv.org/abs/2502.13103v1
• Date: Tue, 18 Feb 2025 18:13:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-19 14:06:50.126599
• Title: WeedsGalore: A Multispectral and Multitemporal UAV-based Dataset for Crop and Weed Segmentation in Agricultural Maize Fields
• Title（参考訳）: WeedsGalore:農作物畑における作物・雑草分別のためのマルチスペクトル・マルチテンポラルUAVベースデータセット
• Authors: Ekin Celikkan, Timo Kunzmann, Yertay Yeskaliyev, Sibylle Itzerott, Nadja Klein, Martin Herold,
• Abstract要約: 雑草は作物の収穫が減少する主な原因の1つであるが、現在の雑草の慣行は、効率的で標的とした方法で雑草を管理するのに失敗している。 農作物畑における作物と雑草のセマンティックスとインスタンスセグメンテーションのための新しいデータセットを提案する。
• 参考スコア（独自算出の注目度）: 0.7421845364041001
• License:
• Abstract: Weeds are one of the major reasons for crop yield loss but current weeding practices fail to manage weeds in an efficient and targeted manner. Effective weed management is especially important for crops with high worldwide production such as maize, to maximize crop yield for meeting increasing global demands. Advances in near-sensing and computer vision enable the development of new tools for weed management. Specifically, state-of-the-art segmentation models, coupled with novel sensing technologies, can facilitate timely and accurate weeding and monitoring systems. However, learning-based approaches require annotated data and show a lack of generalization to aerial imaging for different crops. We present a novel dataset for semantic and instance segmentation of crops and weeds in agricultural maize fields. The multispectral UAV-based dataset contains images with RGB, red-edge, and near-infrared bands, a large number of plant instances, dense annotations for maize and four weed classes, and is multitemporal. We provide extensive baseline results for both tasks, including probabilistic methods to quantify prediction uncertainty, improve model calibration, and demonstrate the approach's applicability to out-of-distribution data. The results show the effectiveness of the two additional bands compared to RGB only, and better performance in our target domain than models trained on existing datasets. We hope our dataset advances research on methods and operational systems for fine-grained weed identification, enhancing the robustness and applicability of UAV-based weed management. The dataset and code are available at https://github.com/GFZ/weedsgalore
• Abstract（参考訳）: 雑草は作物の収穫が減少する主な原因の1つであるが、現在の雑草の慣行は、効率的で標的とした方法で雑草を管理するのに失敗している。 効率的な雑草管理は、トウモロコシなどの世界の生産量の多い作物にとって特に重要であり、世界の需要の増大に対応するために収穫量を最大化する。 近距離センシングとコンピュータビジョンの進歩は、雑草管理のための新しいツールの開発を可能にする。 具体的には、最先端のセグメンテーションモデルと新しいセンシング技術を組み合わせることで、タイムリーかつ正確な雑草とモニタリングシステムを容易にすることができる。 しかし、学習に基づくアプローチは、注釈付きデータを必要とし、異なる作物に対する空中イメージングへの一般化の欠如を示している。 農作物畑における作物と雑草のセマンティックスとインスタンスセグメンテーションのための新しいデータセットを提案する。 マルチスペクトルUAVベースのデータセットには、RGB、赤縁、近赤外線帯域、多数の植物インスタンス、トウモロコシの密接なアノテーション、雑草の4つのクラス、マルチテンポラリな画像が含まれている。 予測の不確実性を定量化し,モデルの校正を改善し,アウト・オブ・ディストリビューションデータへのアプローチの適用性を実証する確率的手法を含む,両タスクの広範なベースライン結果を提供する。 その結果、RGBのみと比較して2つの追加バンドの有効性が示され、既存のデータセットでトレーニングされたモデルよりもターゲットドメインの性能が向上した。 我々は,UAVに基づく雑草管理の堅牢性と適用性を向上し,細粒度雑草識別のための方法と運用システムの研究を進めていくことを願っている。 データセットとコードはhttps://github.com/GFZ/weedsgaloreで公開されている。

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)
• 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)
• SatSynth: Augmenting Image-Mask Pairs through Diffusion Models for Aerial Semantic Segmentation [69.42764583465508]
  我々は,地球観測における注釈付きデータの不足に対処するために,生成的画像拡散の可能性を探る。 我々の知る限りでは、衛星セグメンテーションのための画像と対応するマスクの両方を最初に生成する。
  論文  参考訳（メタデータ） (2024-03-25T10:30:22Z)
• 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)
• Knowledge Combination to Learn Rotated Detection Without Rotated Annotation [53.439096583978504]
  回転バウンディングボックスは、伸長したオブジェクトの出力あいまいさを劇的に減少させる。 この効果にもかかわらず、回転検出器は広く使われていない。 本稿では,モデルが正確な回転ボックスを予測できるフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-04-05T03:07:36Z)
• Drug Synergistic Combinations Predictions via Large-Scale Pre-Training and Graph Structure Learning [82.93806087715507]
  薬物併用療法は、より有効で安全性の低い疾患治療のための確立された戦略である。 ディープラーニングモデルは、シナジスティックな組み合わせを発見する効率的な方法として登場した。 我々のフレームワークは、他のディープラーニングベースの手法と比較して最先端の結果を達成する。
  論文  参考訳（メタデータ） (2023-01-14T15:07:43Z)
• 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)
• SSM-DTA: Breaking the Barriers of Data Scarcity in Drug-Target Affinity Prediction [127.43571146741984]
  薬物標的親和性(DTA)は、早期の薬物発見において極めて重要である。 湿式実験は依然として最も信頼性の高い方法であるが、時間と資源が集中している。 既存の手法は主に、データ不足の問題に適切に対処することなく、利用可能なDTAデータに基づく技術開発に重点を置いている。 SSM-DTAフレームワークについて述べる。
  論文  参考訳（メタデータ） (2022-06-20T14:53:25Z)
• 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)
• Weed Recognition using Deep Learning Techniques on Class-imbalanced Imagery [4.96981595868944]
  我々は,最先端の5つのディープニューラルネットワークを調査し,雑草認識の性能評価を行った。 VGG16は小規模データセットで他より優れ、ResNet-50は大規模データセットで他のディープネットワークよりも優れていた。
  論文  参考訳（メタデータ） (2021-12-15T01:00:05Z)
• Diversity inducing Information Bottleneck in Model Ensembles [73.80615604822435]
  本稿では,予測の多様性を奨励することで,ニューラルネットワークの効果的なアンサンブルを生成する問題をターゲットにする。 そこで本研究では,潜伏変数の学習における逆損失の多様性を明示的に最適化し,マルチモーダルデータのモデリングに必要な出力予測の多様性を得る。 最も競争力のあるベースラインと比較して、データ分布の変化の下で、分類精度が大幅に向上した。
  論文  参考訳（メタデータ） (2020-03-10T03:10:41Z)

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。