論文の概要: AgRowStitch: A High-fidelity Image Stitching Pipeline for Ground-based Agricultural Images
- arxiv url: http://arxiv.org/abs/2503.21990v1
- Date: Thu, 27 Mar 2025 21:14:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-31 15:29:48.638762
- Title: AgRowStitch: A High-fidelity Image Stitching Pipeline for Ground-based Agricultural Images
- Title（参考訳）: AgRowStitch:地上の農業画像のための高忠実な画像ステッチパイプライン
- Authors: Isaac Kazuo Uyehara, Heesup Yun, Earl Ranario, Mason Earles,
- Abstract要約: 農業用画像は、繰り返しのテクスチャによって縫い付けが困難になり、植物は平面ではなく、多くの画像から作られたモザイクは、漂流の原因となるエラーを蓄積することができる。
我々は,作物の線形列の地上画像の縫合を行うための,ユーザフレンドリーでオープンソースのパイプラインを構築した。
2つの異なる農業用ロボットとカメラを使って、72mの作物の長い列に沿って集められた画像上でパイプラインをテストした。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: Agricultural imaging often requires individual images to be stitched together into a final mosaic for analysis. However, agricultural images can be particularly challenging to stitch because feature matching across images is difficult due to repeated textures, plants are non-planar, and mosaics built from many images can accumulate errors that cause drift. Although these issues can be mitigated by using georeferenced images or taking images at high altitude, there is no general solution for images taken close to the crop. To address this, we created a user-friendly and open source pipeline for stitching ground-based images of a linear row of crops that does not rely on additional data. First, we use SuperPoint and LightGlue to extract and match features within small batches of images. Then we stitch the images in each batch in series while imposing constraints on the camera movement. After straightening and rescaling each batch mosaic, all batch mosaics are stitched together in series and then straightened into a final mosaic. We tested the pipeline on images collected along 72 m long rows of crops using two different agricultural robots and a camera manually carried over the row. In all three cases, the pipeline produced high-quality mosaics that could be used to georeference real world positions with a mean absolute error of 20 cm. This approach provides accessible leaf-scale stitching to users who need to coarsely georeference positions within a row, but do not have access to accurate positional data or sophisticated imaging systems.
- Abstract（参考訳）: 農業用イメージングでは、分析のために個々の画像を縫合して最終的なモザイクを作る必要があることが多い。
しかし, 植物は非平面的であり, 多くの画像から構築されたモザイクは, ドリフトの原因となる誤差を蓄積できるため, 画像間の特徴マッチングが難しいため, 縫合が特に困難である。
これらの問題は、ジオレファレンス画像を使用したり、高高度で画像を撮影することで緩和することができるが、作物の近くで撮影された画像に対する一般的な解決策は存在しない。
これに対処するため、我々は、追加データに依存しない線形作物列の地上イメージを縫合するための、ユーザフレンドリでオープンソースのパイプラインを作成しました。
まず、SuperPointとLightGlueを使って、画像を小さなバッチで抽出し、マッチングします。
次に、カメラの動きに制約を課しながら、各バッチの画像を連続的に縫い合わせる。
各バッチモザイクを直線化して再スケーリングした後、全てのバッチモザイクは連続して縫合され、最後にモザイクに直される。
2つの異なる農業用ロボットとカメラを使って、72mの作物の長い列に沿って集められた画像上でパイプラインをテストした。
3つのケースすべてにおいて、パイプラインは20cmの平均的な絶対誤差で現実世界の位置を測ることのできる高品質なモザイクを生み出した。
このアプローチは、行内で粗いジオレファレンス位置を必要とするが、正確な位置データや高度な画像システムにアクセスできないユーザに対して、アクセス可能なリーフスケールの縫合を提供する。
関連論文リスト
- MULAN: A Multi Layer Annotated Dataset for Controllable Text-to-Image Generation [54.64194935409982]
44K MUlti-Layer-wise RGBA 分解からなる新しいデータセット MuLAn を紹介する。
MuLAnは、高品質な画像のインスタンス分解と空間情報を提供する最初のフォトリアリスティックなリソースである。
我々は,新しい生成・編集技術,特にレイヤワイドソリューションの開発を促進することを目的としている。
論文 参考訳（メタデータ） (2024-04-03T14:58:00Z) - Exposure Bracketing Is All You Need For A High-Quality Image [50.822601495422916]
マルチ露光画像は、デノイング、デブロアリング、高ダイナミックレンジイメージング、超解像において相補的である。
本研究では,これらの課題を組み合わせ,高品質な画像を得るために露光ブラケット写真を活用することを提案する。
特に時間変調リカレントネットワーク(TMRNet)と自己教師あり適応手法を提案する。
論文 参考訳（メタデータ） (2024-01-01T14:14:35Z) - Robust Multi-Modal Image Stitching for Improved Scene Understanding [2.0476854378186102]
私たちはOpenCVのステッチモジュールをタップする、ユニークで包括的なイメージスティッチパイプラインを考案しました。
当社のアプローチでは,機能ベースのマッチング,変換推定,ブレンディング技術を統合して,上位品質のパノラマビューを実現する。
論文 参考訳（メタデータ） (2023-12-28T13:24:48Z) - Parallax-Tolerant Unsupervised Deep Image Stitching [57.76737888499145]
本稿では,パララックス耐性の非教師あり深層画像縫合技術であるUDIS++を提案する。
まず,グローバルなホモグラフィから局所的な薄板スプライン運動への画像登録をモデル化するための,頑健で柔軟なワープを提案する。
本研究では, 縫合された画像をシームレスに合成し, シーム駆動合成マスクの教師なし学習を行うことを提案する。
論文 参考訳（メタデータ） (2023-02-16T10:40:55Z) - Take a Prior from Other Tasks for Severe Blur Removal [52.380201909782684]
知識蒸留に基づくクロスレベル特徴学習戦略
多レベルアグリゲーションとセマンティックアテンション変換によるセマンティック事前埋め込み層を効果的に統合する。
GoProやRealBlurのデータセットのような、自然な画像劣化ベンチマークと実世界の画像の実験は、我々の方法の有効性と能力を実証している。
論文 参考訳（メタデータ） (2023-02-14T08:30:51Z) - Render-and-Compare: Cross-View 6 DoF Localization from Noisy Prior [17.08552155321949]
本研究では,従来の地上レベルの設定を超えて,空中から地上へのクロスビューのローカライゼーションを活用することを提案する。
研究対象の公開データセットは存在しないため、スマートフォンやドローンからのさまざまなクロスビュー画像を提供する新しいデータセットを収集します。
そこで我々は,検索画像の地味なポーズを半自動で取得するシステムを開発した。
論文 参考訳（メタデータ） (2023-02-13T11:43:47Z) - The Winning Solution to the iFLYTEK Challenge 2021 Cultivated Land
Extraction from High-Resolution Remote Sensing Image [19.369928529702438]
本稿では,高解像度リモートセンシング画像から土地を抽出するiFLYTEKチャレンジ2021について紹介する。
この課題は、非常に高解像度のマルチスペクトルリモートセンシング画像において、耕作地オブジェクトをセグメント化することである。
論文 参考訳（メタデータ） (2022-02-22T15:28:59Z) - Automatically eliminating seam lines with Poisson editing in complex
relative radiometric normalization mosaicking scenarios [3.9163446101816146]
下流作業には相対ラジオメトリック正規化(RRN)モザイクが不可欠である。
モザイク境界にはしばしばシーム線があり、特に複雑なシナリオではラジオメトリックコントラストが残っている。
本稿では,複雑なRCNモザイクシナリオにおいて,シームラインを除去するための新しい自動アプローチを示す。
論文 参考訳（メタデータ） (2021-06-14T14:06:20Z) - See through Gradients: Image Batch Recovery via GradInversion [103.26922860665039]
我々は、より大きなバッチからの入力イメージをResNets(50層)のような大規模ネットワークでも復元できるGradInversionを紹介した。
複雑なデータセット、ディープネットワーク、大規模なバッチサイズであっても、GradInversionを通じて、個々のイメージを高い忠実度で復元できるような、驚くほど大量の情報をエンコードする勾配を示す。
論文 参考訳（メタデータ） (2021-04-15T16:43:17Z) - Bridging Composite and Real: Towards End-to-end Deep Image Matting [88.79857806542006]
画像マッチングにおける意味論と細部の役割について検討する。
本稿では,共有エンコーダと2つの分離デコーダを用いた新しいGlance and Focus Matting Network(GFM)を提案する。
総合的な実証研究により、GFMは最先端の手法より優れていることが示されている。
論文 参考訳（メタデータ） (2020-10-30T10:57:13Z)
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。