論文の概要: Domain Adaptation in Agricultural Image Analysis: A Comprehensive Review from Shallow Models to Deep Learning

• arxiv url: http://arxiv.org/abs/2506.05972v1
• Date: Fri, 06 Jun 2025 10:52:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-09 17:28:43.436805
• Title: Domain Adaptation in Agricultural Image Analysis: A Comprehensive Review from Shallow Models to Deep Learning
• Title（参考訳）: 農業画像解析におけるドメイン適応 : 浅層モデルから深層学習への包括的レビュー
• Authors: Xing Hu, Siyuan Chen, Dawei Zhang,
• Abstract要約: 本稿では,農業画像解析における課題に対して,ドメイン適応(DA)技術がどう対処できるかを考察する。 本論文は、農業画像におけるDAの最近の進歩、特に複雑な農業環境における実践的応用を体系的にレビューする。 本稿では,DA手法を浅層および深層学習モデルに分類し,さらに教師付き,半教師付き,教師なしのアプローチに分割する。
• 参考スコア（独自算出の注目度）: 12.09180267053621
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: With the increasing use of computer vision in agriculture, image analysis has become crucial for tasks like crop health monitoring and pest detection. However, significant domain shifts between source and target domains-due to environmental differences, crop types, and data acquisition methods-pose challenges. These domain gaps limit the ability of models to generalize across regions, seasons, and complex agricultural environments. This paper explores how Domain Adaptation (DA) techniques can address these challenges, focusing on their role in enhancing the cross-domain transferability of agricultural image analysis. DA has gained attention in agricultural vision tasks due to its potential to mitigate domain heterogeneity. The paper systematically reviews recent advances in DA for agricultural imagery, particularly its practical applications in complex agricultural environments. We examine the key drivers for adopting DA in agriculture, such as limited labeled data, weak model transferability, and dynamic environmental conditions. We also discuss its use in crop health monitoring, pest detection, and fruit recognition, highlighting improvements in performance across regions and seasons. The paper categorizes DA methods into shallow and deep learning models, with further divisions into supervised, semi-supervised, and unsupervised approaches. A special focus is given to adversarial learning-based DA methods, which have shown great promise in challenging agricultural scenarios. Finally, we review key public datasets in agricultural imagery, analyzing their value and limitations in DA research. This review provides a comprehensive framework for researchers, offering insights into current research gaps and supporting the advancement of DA methods in agricultural image analysis.
• Abstract（参考訳）: 農業におけるコンピュータビジョンの利用の増加に伴い、画像解析は作物の健康モニタリングや害虫検出といったタスクに欠かせないものとなっている。 しかし、環境差や作物の種類、データ取得方法などにより、ソースドメインとターゲットドメイン間の大きなドメインシフトが生じている。 これらの領域ギャップは、地域、季節、複雑な農業環境にまたがってモデルを一般化する能力を制限する。 本稿では,農業画像解析における領域間移動性の向上に焦点をあて,ドメイン適応(DA)技術がこれらの課題にどう対処できるかを考察する。 DAは、ドメインの不均一性を緩和する可能性から、農業ビジョンタスクに注目されている。 本論文は、農業画像におけるDAの最近の進歩、特に複雑な農業環境における実践的応用を体系的にレビューする。 農業におけるDA導入の鍵となる要因として,限定ラベル付きデータ,弱いモデル転送可能性,動的環境条件等について検討する。 また, 作物の健康モニタリング, 害虫検出, および果実の認識における利用について検討し, 地域や季節にまたがるパフォーマンスの向上を強調した。 本稿では,DA手法を浅層および深層学習モデルに分類し,さらに教師付き,半教師付き,教師なしのアプローチに分割する。 農業シナリオに挑戦する上で大きな可能性を秘めている,敵対的学習に基づくDA手法に特に焦点をあてる。 最後に,農業画像の重要な公開データセットをレビューし,その価値とDA研究の限界を分析した。 本総説は,農業画像解析におけるDA手法の進歩を支援するとともに,現在の研究ギャップに関する知見を提供するとともに,研究者の総合的な枠組みを提供するものである。

関連論文リスト

• A Multimodal Benchmark Dataset and Model for Crop Disease Diagnosis [5.006697347461899]
  本稿では,農学研究の分野を開拓するための先駆的資源である作物病領域マルチモーダルデータセットについて紹介する。 このデータセットは、さまざまな作物の病気の画像13万7000枚と、幅広い農業知識にまたがる100万の質問と回答のペアで構成されている。 我々は,最先端のマルチモーダルモデルを微調整し,作物病診断の大幅な改善を示すことにより,データセットの有用性を実証する。
  論文  参考訳（メタデータ） (2025-03-10T06:37:42Z)
• Agri-LLaVA: Knowledge-Infused Large Multimodal Assistant on Agricultural Pests and Diseases [49.782064512495495]
  農業分野における最初のマルチモーダル・インストラクション・フォロー・データセットを構築した。 このデータセットは、約40万のデータエントリを持つ221種類以上の害虫と病気をカバーしている。 本稿では,農業用マルチモーダル対話システムであるAgri-LLaVAを開発するための知識注入型学習手法を提案する。
  論文  参考訳（メタデータ） (2024-12-03T04:34:23Z)
• Explainable AI in Grassland Monitoring: Enhancing Model Performance and Domain Adaptability [0.6131022957085438]
  草原は高い生物多様性と複数の生態系サービスを提供する能力で知られている。 指標植物の自動識別の課題は、大規模な草地モニタリングの鍵となる障害である。 本稿では,移動学習と草地モニタリングへのXAIアプローチを中心に,後者の2つの課題を考察する。
  論文  参考訳（メタデータ） (2023-12-13T10:17:48Z)
• PhenoBench -- A Large Dataset and Benchmarks for Semantic Image Interpretation in the Agricultural Domain [29.395926321984565]
  本稿では,実際の農業分野の意味論的解釈のための注釈付きデータセットとベンチマークを提案する。 UAVで記録したデータセットは、作物や雑草の高品質でピクセル単位のアノテーションを提供するだけでなく、作物の葉のインスタンスも同時に提供する。 異なるフィールドで構成された隠れテストセット上で、さまざまなタスクのベンチマークを提供する。
  論文  参考訳（メタデータ） (2023-06-07T16:04:08Z)
• 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)
• Generative Adversarial Networks for Image Augmentation in Agriculture: A Systematic Review [5.639656362091594]
  2014年にコンピュータビジョンコミュニティで発明されたGAN(Generative Adversarial Network)は、優れたデータ表現を学習できる新しいアプローチスイートを提供する。 本稿では, GAN アーキテクチャの進化を概観するとともに, 農業への導入を体系的に検討する。
  論文  参考訳（メタデータ） (2022-04-10T15:33:05Z)
• Fine-Grained Image Analysis with Deep Learning: A Survey [146.22351342315233]
  きめ細かい画像解析(FGIA)は、コンピュータビジョンとパターン認識における長年の根本的な問題である。 本稿では、FGIAの分野を再定義し、FGIAの2つの基礎研究領域、細粒度画像認識と細粒度画像検索を統合することで、FGIAの分野を広げようとしている。
  論文  参考訳（メタデータ） (2021-11-11T09:43:56Z)
• Potato Crop Stress Identification in Aerial Images using Deep Learning-based Object Detection [60.83360138070649]
  本稿では, 深層ニューラルネットワークを用いたジャガイモの空中画像解析手法を提案する。 主な目的は、植物レベルでの健康作物とストレス作物の自動空間認識を実証することである。 実験により、フィールド画像中の健康植物とストレス植物を識別し、平均Dice係数0.74を達成できることを示した。
  論文  参考訳（メタデータ） (2021-06-14T21:57:40Z)
• 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。