論文の概要: Bridging Domain Gaps in Agricultural Image Analysis: A Comprehensive Review From Shallow Adaptation to Deep Learning
- arxiv url: http://arxiv.org/abs/2506.05972v2
- Date: Fri, 20 Jun 2025 09:02:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-23 14:57:52.205657
- Title: Bridging Domain Gaps in Agricultural Image Analysis: A Comprehensive Review From Shallow Adaptation to Deep Learning
- Title（参考訳）: 農業画像解析におけるブリッジング領域ギャップ: 浅層適応からディープラーニングへの包括的レビュー
- Authors: Xing Hu, Siyuan Chen, Xuming Huang, Qianqian Duan, LingKun Luo, Ruijiao Li, Huiliang Shang, Linhua Jiang, Jianping Yang, Hamid Reza Karimi, Dawei Zhang,
- Abstract要約: 本稿では,農業画像解析におけるクロスドメイン転送性の向上により,ドメイン適応技術が課題にどう対処できるかを検討する。
このレビューは、作物の健康モニタリング、害虫検出、果物の認識といった応用に焦点をあてて、農業画像におけるDAの最近の進歩を体系的に要約している。
- 参考スコア（独自算出の注目度）: 17.455138644418618
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: With the growing application of computer vision in agriculture, image analysis has become essential for tasks such as crop health monitoring and pest detection. However, significant domain shifts caused by environmental variations, different crop types, and diverse data acquisition methods hinder model generalization across regions, seasons, and complex agricultural settings. This paper investigates how Domain Adaptation (DA) techniques can address these challenges by improving cross-domain transferability in agricultural image analysis. Given the limited availability of labeled data, weak model adaptability, and dynamic field conditions, DA has emerged as a promising solution. The review systematically summarizes recent advances in DA for agricultural imagery, focusing on applications such as crop health monitoring, pest detection, and fruit recognition, where DA methods have enhanced performance across diverse domains. DA approaches are categorized into shallow and deep learning methods, including supervised, semi-supervised, and unsupervised strategies, with particular attention to adversarial learning-based techniques that have demonstrated strong potential in complex scenarios. In addition, the paper reviews key public agricultural image datasets, evaluating their strengths and limitations in DA research. Overall, this work offers a comprehensive framework and critical insights to guide future research and development of domain adaptation in agricultural vision tasks.
- Abstract（参考訳）: 農業におけるコンピュータビジョンの応用が進み、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、環境の変化、異なる作物の種類、および多様なデータ取得手法によって引き起こされる重要な領域シフトは、地域、季節、複雑な農業環境におけるモデルの一般化を妨げる。
本稿では,農業画像解析における領域間転送性の向上により,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検討する。
ラベル付きデータの限られた可用性、弱いモデル適応性、動的フィールド条件を考えると、DAは有望なソリューションとして現れている。
農業画像におけるDAの最近の進歩を,農作物の健康モニタリング,害虫検出,果物の認識など,様々な領域におけるDA手法の性能向上に焦点をあてて,体系的に要約した。
DAアプローチは、教師付き、半教師付き、教師なしの戦略を含む浅層学習と深層学習に分類され、複雑なシナリオにおいて強力な可能性を示す敵対的学習ベースのテクニックに特に注目される。
さらに,本論文では,DA研究の強みと限界を評価するとともに,重要な農業画像データセットをレビューする。
全体として、この研究は、農業ビジョンタスクにおける領域適応の今後の研究と開発を導くための包括的な枠組みと重要な洞察を提供する。
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。