論文の概要: WeedNet: A Foundation Model-Based Global-to-Local AI Approach for Real-Time Weed Species Identification and Classification

• arxiv url: http://arxiv.org/abs/2505.18930v1
• Date: Sun, 25 May 2025 01:49:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-27 16:58:42.760354
• Title: WeedNet: A Foundation Model-Based Global-to-Local AI Approach for Real-Time Weed Species Identification and Classification
• Title（参考訳）: WeedNet: リアルタイム雑草種同定と分類のための基礎モデルに基づくグローバル・ローカルAIアプローチ
• Authors: Yanben Shen, Timilehin T. Ayanlade, Venkata Naresh Boddepalli, Mojdeh Saadati, Ashlyn Rairdin, Zi K. Deng, Muhammad Arbab Arshad, Aditya Balu, Daren Mueller, Asheesh K Singh, Wesley Everman, Nirav Merchant, Baskar Ganapathysubramanian, Meaghan Anderson, Soumik Sarkar, Arti Singh,
• Abstract要約: WeedNetは,多種多様な雑草を認識可能な世界規模の雑草識別モデルである。 WeedNetは1,593種の雑草に対して91.02%の精度を達成し、41%の種が100%の精度を達成した。
• 参考スコア（独自算出の注目度）: 6.546238745730564
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Early identification of weeds is essential for effective management and control, and there is growing interest in automating the process using computer vision techniques coupled with AI methods. However, challenges associated with training AI-based weed identification models, such as limited expert-verified data and complexity and variability in morphological features, have hindered progress. To address these issues, we present WeedNet, the first global-scale weed identification model capable of recognizing an extensive set of weed species, including noxious and invasive plant species. WeedNet is an end-to-end real-time weed identification pipeline and uses self-supervised learning, fine-tuning, and enhanced trustworthiness strategies. WeedNet achieved 91.02% accuracy across 1,593 weed species, with 41% species achieving 100% accuracy. Using a fine-tuning strategy and a Global-to-Local approach, the local Iowa WeedNet model achieved an overall accuracy of 97.38% for 85 Iowa weeds, most classes exceeded a 90% mean accuracy per class. Testing across intra-species dissimilarity (developmental stages) and inter-species similarity (look-alike species) suggests that diversity in the images collected, spanning all the growth stages and distinguishable plant characteristics, is crucial in driving model performance. The generalizability and adaptability of the Global WeedNet model enable it to function as a foundational model, with the Global-to-Local strategy allowing fine-tuning for region-specific weed communities. Additional validation of drone- and ground-rover-based images highlights the potential of WeedNet for integration into robotic platforms. Furthermore, integration with AI for conversational use provides intelligent agricultural and ecological conservation consulting tools for farmers, agronomists, researchers, land managers, and government agencies across diverse landscapes.
• Abstract（参考訳）: 雑草の早期発見は効果的な管理と管理に不可欠であり,AI手法と組み合わせたコンピュータビジョン技術によるプロセス自動化への関心が高まっている。 しかし、専門家が検証した限られたデータや形態的特徴の複雑さや多様性など、AIベースの雑草識別モデルのトレーニングに関わる課題は、進歩を妨げている。 これらの課題に対処するため,本論文では,害虫や外来植物を含む雑草の広い範囲を認識可能な,世界規模の雑草識別モデルWeedNetについて紹介する。 WeedNetはエンドツーエンドのリアルタイム雑草識別パイプラインであり、自己教師付き学習、微調整、信頼性向上戦略を使用している。 WeedNetは1,593種の雑草に対して91.02%の精度を達成し、41%の種が100%の精度を達成した。 微調整戦略とグローバル・ツー・ローカルのアプローチを用いて、アイオワ州ウィードネットのモデルは州内85の雑草の全体の97.38%の精度を達成し、ほとんどのクラスはクラス毎の平均精度を90%以上上回った。 種内相似性(開発段階)と種間類似性(外観に類似した種)の試験は、すべての成長段階と区別可能な植物特性にまたがって収集された画像の多様性がモデル性能の駆動に不可欠であることを示唆している。 Global WeedNetモデルの一般化性と適応性により、地域固有の雑草群落の微調整を可能にするGlobal-to-Local戦略により、基礎モデルとして機能することができる。 ドローンと地上ローバーをベースとした画像のさらなる検証は、ロボットプラットフォームに統合するためのWeedNetの可能性を強調している。 さらに、AIと対話的な使用のために統合することで、農家、農学者、研究者、土地管理官、政府機関など様々な分野のインテリジェントな農業・生態保護コンサルティングツールが提供される。

関連論文リスト

• Self-Supervised Learning for Robotic Leaf Manipulation: A Hybrid Geometric-Neural Approach [0.0]
  本稿では,自律的な葉の把握のためのハイブリッドな幾何学的アプローチを提案する。 本手法は,従来のコンピュータビジョンとニューラルネットワークを自己教師付き学習により統合する。 制御された環境では88.0%、実際の温室環境では84.7%の成功率を達成した。
  論文  参考訳（メタデータ） (2025-05-06T17:22:21Z)
• WeedsGalore: A Multispectral and Multitemporal UAV-based Dataset for Crop and Weed Segmentation in Agricultural Maize Fields [0.7421845364041001]
  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。
  論文  参考訳（メタデータ） (2025-02-18T18:13:19Z)
• WeedVision: Multi-Stage Growth and Classification of Weeds using DETR and RetinaNet for Precision Agriculture [0.0]
  本研究は対象検出モデルを用いて174クラスにわたる16種の雑草を同定・分類する。 203,567枚の画像からなる頑健なデータセットを開発した。 RetinaNetは優れた性能を示し、トレーニングセットで0.907、テストセットで0.904の平均平均精度(mAP)を達成した。
  論文  参考訳（メタデータ） (2025-02-16T20:49:22Z)
• 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)
• 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)
• Recognize Any Regions [55.76437190434433]
  RegionSpotは、ローカライゼーション基盤モデルから位置認識ローカライゼーション知識と、ViLモデルからのセマンティック情報を統合する。 オープンワールドオブジェクト認識の実験では、私たちのRereaSpotは、以前の代替よりも大きなパフォーマンス向上を実現しています。
  論文  参考訳（メタデータ） (2023-11-02T16:31:49Z)
• 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)
• Domain Generalization for Crop Segmentation with Standardized Ensemble Knowledge Distillation [42.39035033967183]
  サービスロボットは、周囲を理解し、野生のターゲットを識別するリアルタイム認識システムが必要です。 しかし、既存の方法はしばしば、新しい作物や環境条件への一般化において不足している。 本稿では,知識蒸留を用いた領域一般化手法を提案する。
  論文  参考訳（メタデータ） (2023-04-03T14:28:29Z)
• 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)
• 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)
• TraND: Transferable Neighborhood Discovery for Unsupervised Cross-domain Gait Recognition [77.77786072373942]
  本稿では、教師なしクロスドメイン歩行認識のための領域ギャップを橋渡しするTransferable Neighborhood Discovery (TraND) フレームワークを提案する。 我々は、潜在空間におけるラベルなしサンプルの自信ある近傍を自動的に発見するために、エンドツーエンドのトレーニング可能なアプローチを設計する。 提案手法は,CASIA-BとOU-LPの2つの公開データセットに対して,最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-02-09T03:07:07Z)

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。