論文の概要: Global Rice Multi-Class Segmentation Dataset (RiceSEG): A Comprehensive and Diverse High-Resolution RGB-Annotated Images for the Development and Benchmarking of Rice Segmentation Algorithms

• arxiv url: http://arxiv.org/abs/2504.02880v1
• Date: Wed, 02 Apr 2025 04:03:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-07 14:48:58.208127
• Title: Global Rice Multi-Class Segmentation Dataset (RiceSEG): A Comprehensive and Diverse High-Resolution RGB-Annotated Images for the Development and Benchmarking of Rice Segmentation Algorithms
• Title（参考訳）: グローバルライス多クラスセグメンテーションデータセット(RiceSEG):イネ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総合的および多種多様な高解像度RGBアノテーション画像
• Authors: Junchi Zhou, Haozhou Wang, Yoichiro Kato, Tejasri Nampally, P. Rajalakshmi, M. Balram, Keisuke Katsura, Hao Lu, Yue Mu, Wanneng Yang, Yangmingrui Gao, Feng Xiao, Hongtao Chen, Yuhao Chen, Wenjuan Li, Jingwen Wang, Fenghua Yu, Jian Zhou, Wensheng Wang, Xiaochun Hu, Yuanzhu Yang, Yanfeng Ding, Wei Guo, Shouyang Liu,
• Abstract要約: 画像成分の区別は、器官の規模で植物の成長と発達を特徴づける重要な前提条件である。 RiceSEGは、最初の包括的多クラスイネセマンティックセマンティックセグメンテーションデータセットである。 5カ国から高解像度地上画像5万枚を収集した。
• 参考スコア（独自算出の注目度）: 15.348231537497481
• License:
• Abstract: Developing computer vision-based rice phenotyping techniques is crucial for precision field management and accelerating breeding, thereby continuously advancing rice production. Among phenotyping tasks, distinguishing image components is a key prerequisite for characterizing plant growth and development at the organ scale, enabling deeper insights into eco-physiological processes. However, due to the fine structure of rice organs and complex illumination within the canopy, this task remains highly challenging, underscoring the need for a high-quality training dataset. Such datasets are scarce, both due to a lack of large, representative collections of rice field images and the time-intensive nature of annotation. To address this gap, we established the first comprehensive multi-class rice semantic segmentation dataset, RiceSEG. We gathered nearly 50,000 high-resolution, ground-based images from five major rice-growing countries (China, Japan, India, the Philippines, and Tanzania), encompassing over 6,000 genotypes across all growth stages. From these original images, 3,078 representative samples were selected and annotated with six classes (background, green vegetation, senescent vegetation, panicle, weeds, and duckweed) to form the RiceSEG dataset. Notably, the sub-dataset from China spans all major genotypes and rice-growing environments from the northeast to the south. Both state-of-the-art convolutional neural networks and transformer-based semantic segmentation models were used as baselines. While these models perform reasonably well in segmenting background and green vegetation, they face difficulties during the reproductive stage, when canopy structures are more complex and multiple classes are involved. These findings highlight the importance of our dataset for developing specialized segmentation models for rice and other crops.
• Abstract（参考訳）: コンピュータビジョンに基づく水稲表現法の開発は、精密フィールド管理と育種促進に不可欠であり、水稲生産を継続的に進める。 表現型タスクの中で、画像成分の区別は、植物の成長と器官の規模での発達を特徴づける重要な前提条件であり、生態生理学的プロセスに対する深い洞察を可能にする。 しかし,水稲器官の微細な構造とキャノピー内部の複雑な照明により,高品質なトレーニングデータセットの必要性を浮き彫りにしている。 このようなデータセットは、田んぼ画像の大規模な代表的コレクションの欠如と、アノテーションの時間集約的な性質のため、ほとんどない。 このギャップに対処するため、我々は最初の包括的多クラス水稲セマンティックセグメンテーションデータセット「ライスセグメンテーション」を構築した。 我々は,5カ国(中国,日本,インド,フィリピン,タンザニア)から5万件近い高解像度地上画像を収集し,すべての成長段階にわたって6,000種以上の遺伝子型を収集した。 これらの原画像から3,078個のサンプルを抽出し,ライスSEGデータセットを形成する6つのクラス(裏地,緑植物,老化植物,パニック,雑草,アヒル雑草)で注釈した。 特に中国からの亜データセットは、北東から南にかけて、すべての主要な遺伝子型と稲作環境にまたがる。 最先端の畳み込みニューラルネットワークとトランスフォーマーに基づくセマンティックセグメンテーションモデルの両方がベースラインとして使用された。 これらのモデルは、背景と緑の植生のセグメンテーションにおいて合理的に良好に機能するが、天蓋構造がより複雑で複数のクラスが関与している場合、生殖期において困難に直面している。 これらの結果は,米および他の作物の特別分別モデル開発におけるデータセットの重要性を浮き彫りにした。

関連論文リスト

• EcoCropsAID: Economic Crops Aerial Image Dataset for Land Use Classification [0.0]
  EcoCropsAIDデータセットは、2014年から2018年の間にGoogle Earthアプリケーションを使って撮影された5,400枚の空中画像の包括的なコレクションである。 このデータセットは、タイの5つの主要な経済作物、米、サトウキビ、キャッサバ、ゴム、ロングランに焦点を当てている。
  論文  参考訳（メタデータ） (2024-11-05T03:14:36Z)
• 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)
• 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)
• CWD30: A Comprehensive and Holistic Dataset for Crop Weed Recognition in Precision Agriculture [1.64709990449384]
  精密農業における作物雑草認識タスクに適した大規模・多種多様・包括的・階層的データセットであるCWD30データセットを提示する。 CWD30は20種の雑草と10種の高解像度画像を219,770枚以上、様々な成長段階、複数の視角、環境条件を含む。 データセットの階層的な分類は、きめ細かい分類を可能にし、より正確で堅牢で一般化可能なディープラーニングモデルの開発を促進する。
  論文  参考訳（メタデータ） (2023-05-17T09:39:01Z)
• Agave crop segmentation and maturity classification with deep learning data-centric strategies using very high-resolution satellite imagery [101.18253437732933]
  超高解像度衛星画像を用いたAgave tequilana Weber azul crop segmentation and mature classificationを提案する。 実世界の深層学習問題を,作物の選別という非常に具体的な文脈で解決する。 結果として得られた正確なモデルにより、大規模地域で生産予測を行うことができる。
  論文  参考訳（メタデータ） (2023-03-21T03:15:29Z)
• 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)
• Multi-resolution Outlier Pooling for Sorghum Classification [4.434302808728865]
  Sorghum-100データセットは,最先端のガントリーシステムによって得られたソルガムのRGB画像の大規模なデータセットである。 Dynamic Outlier Poolingと呼ばれる新しいグローバルプール戦略は、このタスクにおける標準的なグローバルプール戦略より優れています。
  論文  参考訳（メタデータ） (2021-06-10T13:57:33Z)
• Classification of Seeds using Domain Randomization on Self-Supervised Learning Frameworks [0.0]
  鍵となるボトルネックは、畳み込みニューラルネットワーク(CNN)をトレーニングする大量のラベル付きデータの必要性である。 この研究は、これを達成するために、コントラスト学習とドメインランダム化の概念を活用している。 実世界の画像の表象的サンプル作物から生成された合成画像の使用は、大量のテスト対象の必要性を軽減する。
  論文  参考訳（メタデータ） (2021-03-29T12:50:06Z)
• ISIA Food-500: A Dataset for Large-Scale Food Recognition via Stacked Global-Local Attention Network [50.7720194859196]
  ウィキペディアのリストから500のカテゴリと399,726の画像を含むデータセットISIA Food-500を紹介する。 このデータセットは、既存の一般的なベンチマークデータセットをカテゴリカバレッジとデータボリュームで上回る。 食品認識のための2つのサブネットワークからなるグローバルローカルアテンションネットワークを提案する。
  論文  参考訳（メタデータ） (2020-08-13T02:48:27Z)
• Image-based phenotyping of diverse Rice (Oryza Sativa L.) Genotypes [11.592053428575854]
  高収量米品種の必要性は、インド、中国、その他のアジア・アフリカ諸国などの発展途上国にとって大きな懸念事項である。 総計150種の遺伝子型がニューデリーのインド農業研究インド農業研究所ナナジムフ植物フェノミクスセンター(英語版)のハイ・スループ・プラント・フェノミクス施設で栽培された。 葉先検出と植物の葉数推定のために、You Only Look Once (YOLO)ディープラーニングアルゴリズムを訓練した。
  論文  参考訳（メタデータ） (2020-04-06T09:04:14Z)
• Agriculture-Vision: A Large Aerial Image Database for Agricultural Pattern Analysis [110.30849704592592]
  本稿では,農業パターンのセマンティックセグメンテーションのための大規模空中農地画像データセットであるGarmry-Visionを提案する。 各画像はRGBと近赤外線(NIR)チャンネルで構成され、解像度は1ピクセルあたり10cmである。 農家にとって最も重要な9種類のフィールド異常パターンに注釈を付ける。
  論文  参考訳（メタデータ） (2020-01-05T20:19:33Z)

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。