論文の概要: Semi-Supervised Weed Detection in Vegetable Fields: In-domain and Cross-domain Experiments

• arxiv url: http://arxiv.org/abs/2502.17673v1
• Date: Mon, 24 Feb 2025 21:39:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-26 15:22:26.438268
• Title: Semi-Supervised Weed Detection in Vegetable Fields: In-domain and Cross-domain Experiments
• Title（参考訳）: 野菜畑における半監督雑草検出:ドメイン内およびクロスドメイン実験
• Authors: Boyang Deng, Yuzhen Lu,
• Abstract要約: 本研究では,未ラベルデータを利用した半教師付きオブジェクト検出(SSOD)手法を提案する。 既存の3つのフレームワークを含む4つのSSOD法の比較実験を行った。 YOLOv8をベースとしたWeedTeacherは4つの手法の中で最も精度が高く、2.6%のmAP@50と3.1%のmAP@50:95を教師付きベースラインで改善した。
• 参考スコア（独自算出の注目度）: 5.840507501444088
• License:
• Abstract: Robust weed detection remains a challenging task in precision weeding, requiring not only potent weed detection models but also large-scale, labeled data. However, the labeled data adequate for model training is practically difficult to come by due to the time-consuming, labor-intensive process that requires specialized expertise to recognize plant species. This study introduces semi-supervised object detection (SSOD) methods for leveraging unlabeled data for enhanced weed detection and proposes a new YOLOv8-based SSOD method, i.e., WeedTeacher. An experimental comparison of four SSOD methods, including three existing frameworks (i.e., DenseTeacher, EfficientTeacher, and SmallTeacher) and WeedTeacher, alongside fully supervised baselines, was conducted for weed detection in both in-domain and cross-domain contexts. A new, diverse weed dataset was created as the testbed, comprising a total of 19,931 field images from two differing domains, including 8,435 labeled (basic-domain) images acquired by handholding devices from 2021 to 2023 and 11,496 unlabeled (new-domain) images acquired by a ground-based mobile platform in 2024. The in-domain experiment with models trained using 10% of the labeled, basic-domain images and tested on the remaining 90% of the data, showed that the YOLOv8-basedWeedTeacher achieved the highest accuracy among all four SSOD methods, with an improvement of 2.6% mAP@50 and 3.1% mAP@50:95 over its supervised baseline (i.e., YOLOv8l). In the cross-domain experiment where the unlabeled new-domain data was incorporated, all four SSOD methods, however, resulted in no or limited improvements over their supervised counterparts. Research is needed to address the difficulty of cross-domain data utilization for robust weed detection.
• Abstract（参考訳）: ロバスト雑草検出は、強力な雑草検出モデルだけでなく、大規模でラベル付きデータを必要とする、精度の高い雑草検出において依然として困難な課題である。 しかしながら、モデルトレーニングに適したラベル付きデータは、植物種を認識するために専門的な専門知識を必要とする、時間を要する労働集約的なプロセスのため、事実上困難である。 本研究では,未ラベルデータを利用した雑草検出のための半教師付きオブジェクト検出(SSOD)手法を提案し,新しいYOLOv8ベースのSSOD法,すなわちWeedTeacherを提案する。 3つの既存のフレームワーク(DenseTeacher、EfficientTeacher、SmallTeacher)とWeedTeacher(WeedTeacher、WeedTeacher、WeedTeacher)を含む4つのSSOD法の比較実験を行った。 2021年から2023年にハンドホルディングデバイスによって取得された8,435個のラベル付き(基本ドメイン)画像と、2024年に地上のモバイルプラットフォームによって取得された11,496個のラベル付き(新しいドメイン)画像を含む、2つの異なるドメインからの19,931個のフィールド画像からなる、新しい多様な雑草データセットがテストベッドとして作成された。 ラベル付き基本ドメイン画像の10%をトレーニングし、残りの90%でテストした結果、YOLOv8ベースのWeedTeacherは、教師付きベースライン(YOLOv8l)に対して2.6%のmAP@50と3.1%のmAP@50:95の改善により、4つのSSODメソッドの中で最高精度を達成した。 しかし、ラベルのない新しいドメインデータが組み込まれたクロスドメイン実験では、4つのSSODメソッドはすべて、教師付きデータに対して、あるいは制限された改善を行なわなかった。 堅牢な雑草検出のためのクロスドメインデータ利用の難しさに対処するためには,研究が必要である。

関連論文リスト

• Multispectral Remote Sensing for Weed Detection in West Australian Agricultural Lands [3.6284577335311563]
  オーストラリア西部のコンディニン地域は、広範囲にわたる雑草の寄生による農業上の大きな課題に直面しており、経済的損失と生態学的影響を引き起こしている。 本研究は, 精密農業の実践を促進するため, 雑草検出のための多スペクトルリモートセンシングフレームワークを構築した。 無人航空機は、4年間にわたって2つの実験領域から生のマルチスペクトルデータを収集するために用いられ、0.6046 km2をカバーし、地上の真実の注釈は、手動で雑草や作物をラベル付けするためにGPS対応車両で作成された。
  論文  参考訳（メタデータ） (2025-02-12T07:01:42Z)
• Assessing the Capability of YOLO- and Transformer-based Object Detectors for Real-time Weed Detection [0.0]
  YOLOv8, YOLOv9, YOLOv10, RT-DETRのすべての利用可能なモデルは、実地状況の画像を用いて訓練され、評価される。 その結果、評価された指標では、全てのモデルが等しくよく機能するのに対し、YOLOv9モデルは強いリコールスコアの点で際立っていることがわかった。 RT-DETRモデル、特にRT-DETR-lは、データセット1では82.44 %、データセット2では81.46 %の精度で優れている。
  論文  参考訳（メタデータ） (2025-01-29T02:39:57Z)
• D4: Text-guided diffusion model-based domain adaptive data augmentation for vineyard shoot detection [0.0]
  本研究では,ブドウ園の撮影検出のための生成データ拡張法(D4)を提案する。 D4は、無人地上車両や他の手段によって収集されたビデオデータから得られた多数のオリジナル画像と、少量の注釈付きデータセットに基づいて、事前訓練されたテキスト誘導拡散モデルを使用する。 本手法により,BBox検出タスクの平均平均精度が28.65%向上し,Vineyard shoot検出のキーポイント検出タスクの平均精度が13.73%向上したことを確認した。
  論文  参考訳（メタデータ） (2024-09-06T07:04:27Z)
• 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)
• Self-supervised Feature Adaptation for 3D Industrial Anomaly Detection [59.41026558455904]
  具体的には,大規模ビジュアルデータセット上で事前学習されたモデルを利用した初期のマルチモーダルアプローチについて検討する。 本研究では,アダプタを微調整し,異常検出に向けたタスク指向の表現を学習するためのLSFA法を提案する。
  論文  参考訳（メタデータ） (2024-01-06T07:30:41Z)
• SSDA3D: Semi-supervised Domain Adaptation for 3D Object Detection from Point Cloud [125.9472454212909]
  本稿では,3次元物体検出(SSDA3D)のための半改良型領域適応法を提案する。 SSDA3Dはドメイン間適応ステージとドメイン内一般化ステージを含む。 実験の結果,10%のラベル付きターゲットデータしか持たないSSDA3Dは,100%のターゲットラベルを持つ完全教師付きオラクルモデルを上回ることができることがわかった。
  論文  参考訳（メタデータ） (2022-12-06T09:32:44Z)
• Performance Evaluation of Deep Transfer Learning on Multiclass Identification of Common Weed Species in Cotton Production Systems [3.427330019009861]
  本稿では,アメリカ南部の綿花生産システムに特有の雑草を同定するために,DTL(Deep Transfer Learning)を総合的に評価する。 自然光条件および雑草生育段階の異なる15種類の雑草群5187色画像からなる雑草識別用データセットを作成した。 DTLはF1スコアの高い分類精度を95%以上達成し、モデル間でのトレーニング時間(2.5時間未満)を合理的に短縮する必要があった。
  論文  参考訳（メタデータ） (2021-10-11T01:51:48Z)
• G-DetKD: Towards General Distillation Framework for Object Detectors via Contrastive and Semantic-guided Feature Imitation [49.421099172544196]
  そこで本研究では,すべてのピラミッドレベルにまたがる特徴ペア間のソフトマッチングを自動的に行う,意味誘導型特徴模倣手法を提案する。 また,異なる特徴領域間の関係で符号化された情報を効果的に捉えるために,コントラスト蒸留を導入する。 本手法は,(1)フレームワークのコンポーネントを別々に使用した場合に,既存の検出KD技術よりも優れた性能を発揮する。
  論文  参考訳（メタデータ） (2021-08-17T07:44:27Z)
• Unsupervised Domain Adaptive 3D Detection with Multi-Level Consistency [90.71745178767203]
  ディープラーニングに基づく3Dオブジェクト検出は、大規模な自律走行データセットの出現によって、前例のない成功を収めた。 既存の3Dドメイン適応検出手法は、しばしばターゲットのドメインアノテーションへの事前アクセスを前提とします。 我々は、ソースドメインアノテーションのみを利用する、より現実的な、教師なしの3Dドメイン適応検出について研究する。
  論文  参考訳（メタデータ） (2021-07-23T17:19:23Z)
• Unsupervised Out-of-Domain Detection via Pre-trained Transformers [56.689635664358256]
  ドメイン外の入力は予測不能なアウトプットを引き起こし、時には破滅的な安全性の問題を引き起こす。 本研究は、教師なしのドメイン内データのみを用いて、ドメイン外サンプルを検出する問題に対処する。 検出精度を高めるために、ドメイン固有の2つの微調整手法が提案されている。
  論文  参考訳（メタデータ） (2021-06-02T05:21:25Z)
• TSDAE: Using Transformer-based Sequential Denoising Auto-Encoder for Unsupervised Sentence Embedding Learning [53.32740707197856]
  TSDAE(Sequential Denoising Auto-Encoder)を用いた最新の非監視方式を提案する。 ドメイン内の監視されたアプローチのパフォーマンスの93.1%を達成することができる。
  論文  参考訳（メタデータ） (2021-04-14T17:02:18Z)

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。