論文の概要: Improving Lightweight Weed Detection via Knowledge Distillation

• arxiv url: http://arxiv.org/abs/2507.12344v1
• Date: Wed, 16 Jul 2025 15:38:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-17 19:00:11.455403
• Title: Improving Lightweight Weed Detection via Knowledge Distillation
• Title（参考訳）: 知識蒸留による軽量雑草検出の改良
• Authors: Ahmet Oğuz Saltık, Max Voigt, Sourav Modak, Mike Beckworth, Anthony Stein,
• Abstract要約: 本稿では,CWD(Channel-wise Knowledge Distillation)とMGD(Masked Generative Distillation)について検討し,リアルタイムスマートスプレーシステムにおける軽量モデルの性能向上を図る。 CWDとMGDは、教師から学生モデルに効果的に知識を伝達する。 我々は,Jetson Orin Nano および Raspberry Pi 5 組み込みデバイス上での学生 YOLO11n モデルの評価により,リアルタイムデプロイメントの実現可能性を検証する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Weed detection is a critical component of precision agriculture, facilitating targeted herbicide application and reducing environmental impact. However, deploying accurate object detection models on resource-limited platforms remains challenging, particularly when differentiating visually similar weed species commonly encountered in plant phenotyping applications. In this work, we investigate Channel-wise Knowledge Distillation (CWD) and Masked Generative Distillation (MGD) to enhance the performance of lightweight models for real-time smart spraying systems. Utilizing YOLO11x as the teacher model and YOLO11n as both reference and student, both CWD and MGD effectively transfer knowledge from the teacher to the student model. Our experiments, conducted on a real-world dataset comprising sugar beet crops and four weed types (Cirsium, Convolvulus, Fallopia, and Echinochloa), consistently show increased AP50 across all classes. The distilled CWD student model achieves a notable improvement of 2.5% and MGD achieves 1.9% in mAP50 over the baseline without increasing model complexity. Additionally, we validate real-time deployment feasibility by evaluating the student YOLO11n model on Jetson Orin Nano and Raspberry Pi 5 embedded devices, performing five independent runs to evaluate performance stability across random seeds. These findings confirm CWD and MGD as an effective, efficient, and practical approach for improving deep learning-based weed detection accuracy in precision agriculture and plant phenotyping scenarios.
• Abstract（参考訳）: 雑草検出は精密農業において重要な要素であり, 除草剤の応用と環境影響の低減に寄与する。 しかし、特に植物表現型によく見られる視覚的に類似した雑草種を識別する場合、資源制限されたプラットフォームに正確な物体検出モデルを配置することは困難である。 本研究では,CWD(Channel-wise Knowledge Distillation)とMGD(Masked Generative Distillation)を調査し,リアルタイムスマートスプレーシステムにおける軽量モデルの性能向上を図る。 YOLO11xを教師モデルとし、YOLO11nを生徒と生徒の両方に利用し、CWDとMGDは教師から生徒モデルへの知識の伝達を効果的に行う。 本実験は,サトウキビの作物と4種類の雑草(Cirsium, Convolvulus, Fallopia, Echinochloa)からなる実世界のデータセットを用いて行った。 蒸留したCWD学生モデルは2.5%の顕著な改善を達成し、MGDはモデル複雑性を増大させることなくベースライン上で1.9%のmAP50を達成する。 さらに,Jetson Orin Nano と Raspberry Pi 5 の組込みデバイス上での学生 YOLO11n モデルの評価により,実時間展開の実現可能性を検証する。 これらの結果から,CWDとMGDは,精密農業や植物表現のシナリオにおいて,深層学習に基づく雑草検出精度を向上させるための効果的な,効率的かつ実践的なアプローチであることが確認された。

関連論文リスト

• Efficient Federated Learning with Heterogeneous Data and Adaptive Dropout [62.73150122809138]
  Federated Learning(FL)は、複数のエッジデバイスを使用したグローバルモデルの協調トレーニングを可能にする、有望な分散機械学習アプローチである。 動的不均一モデルアグリゲーション(FedDH)と適応ドロップアウト(FedAD)の2つの新しい手法を備えたFedDHAD FLフレームワークを提案する。 これら2つの手法を組み合わせることで、FedDHADは精度(最大6.7%)、効率(最大2.02倍高速)、コスト(最大15.0%小型)で最先端のソリューションを大幅に上回っている。
  論文  参考訳（メタデータ） (2025-07-14T16:19:00Z)
• Robotic System with AI for Real Time Weed Detection, Canopy Aware Spraying, and Droplet Pattern Evaluation [0.0]
  我々は,雑草の存在を検知し,天蓋の大きさを推定し,ノズルのアクティベーションをリアルタイムで動的に調整できる,視覚誘導型AI駆動可変速度噴霧装置を開発した。 このシステムは軽量のYOLO11nとYOLO11nセグ深層学習モデルを統合し、NVIDIA Jetson Orin Nano上に展開して推論を行う。 今後の研究は、サウスダコタ州で一般的な雑草3種を含む検出能力を拡大することに焦点を当てる。
  論文  参考訳（メタデータ） (2025-07-07T19:27:29Z)
• Involution-Infused DenseNet with Two-Step Compression for Resource-Efficient Plant Disease Classification [0.0]
  本研究では,重み付けと知識蒸留を統合した2段階モデル圧縮手法を提案する。 その結果、ResNet50sは、PandVillageとPaddyLeafのデータセットで99.55%と98.99%の精度を達成した。
  論文  参考訳（メタデータ） (2025-05-31T22:43:23Z)
• Why Knowledge Distillation Works in Generative Models: A Minimal Working Explanation [53.30082523545212]
  知識蒸留(KD)は、現代の生産モデルの訓練と展開における中核的な要素である。 我々は,KDが学生モデルにおける精度とリコールのトレードオフを引き起こすことを示す。 本分析は、生成モデルにおけるKDの有効性について、単純かつ一般的な説明を提供する。
  論文  参考訳（メタデータ） (2025-05-19T13:39:47Z)
• Exploring Model Quantization in GenAI-based Image Inpainting and Detection of Arable Plants [0.0]
  安定ディフュージョンベースのインペインティングを利用して、10%のインクリメントでトレーニングデータを段階的に増加させ、最大200%まで増やすフレームワークを提案する。 本手法は,mAP50測定値を用いて,最先端物体検出モデルであるYOLO11(l)とRT-DETR(l)の2つを用いて評価を行った。 Jetson Orin Nano上での下流モデルの展開は、リソース制約のある環境での我々のフレームワークの実用可能性を示す。
  論文  参考訳（メタデータ） (2025-03-04T09:05:01Z)
• Fine-tuning is Not Fine: Mitigating Backdoor Attacks in GNNs with Limited Clean Data [51.745219224707384]
  グラフニューラルネットワーク(GNN)は,メッセージパッシング機構を通じて,優れたパフォーマンスを実現している。 最近の研究は、GNNのバックドア攻撃に対する脆弱性を強調している。 本稿では,実践的なバックドア緩和フレームワークである GraphNAD を提案する。
  論文  参考訳（メタデータ） (2025-01-10T10:16:35Z)
• Comparative Analysis of YOLOv9, YOLOv10 and RT-DETR for Real-Time Weed Detection [0.0]
  本稿では,スマートスパレイティングアプリケーションにおける雑草検出のためのオブジェクト検出モデルであるYOLOv9,YOLOv10,RT-DETRの総合評価について述べる。 これらのモデルの性能は、GPUやCPUデバイスの平均平均精度(mAP)スコアと推論時間に基づいて比較される。
  論文  参考訳（メタデータ） (2024-12-18T04:15:32Z)
• Enhancing weed detection performance by means of GenAI-based image augmentation [0.0]
  本稿では、安定拡散モデルを用いて、雑草検出モデルのための多様な合成画像を生成する、生成AIベースの拡張手法について検討する。 その結果、生成AI拡張データセットでトレーニングしたYOLOモデルの平均精度が大幅に向上した。
  論文  参考訳（メタデータ） (2024-11-27T17:00:34Z)
• Learning Lightweight Object Detectors via Multi-Teacher Progressive Distillation [56.053397775016755]
  本稿では,教師検出器の知識を学生に段階的に伝達する,知識蒸留への逐次的アプローチを提案する。 私たちの知識を最大限に活用するために、私たちはTransformerベースの教師検出器から、畳み込みベースの学生まで、初めて知識を抽出しました。
  論文  参考訳（メタデータ） (2023-08-17T17:17:08Z)
• Exploring the Effectiveness of Dataset Synthesis: An application of Apple Detection in Orchards [68.95806641664713]
  本研究では,リンゴ樹の合成データセットを生成するための安定拡散2.1-baseの有用性について検討する。 我々は、現実世界のリンゴ検出データセットでリンゴを予測するために、YOLOv5mオブジェクト検出モデルを訓練する。 その結果、実世界の画像でトレーニングされたベースラインモデルと比較して、生成データでトレーニングされたモデルはわずかに性能が劣っていることがわかった。
  論文  参考訳（メタデータ） (2023-06-20T09:46:01Z)
• Directed Acyclic Graph Factorization Machines for CTR Prediction via Knowledge Distillation [65.62538699160085]
  本稿では,既存の複雑な相互作用モデルから,知識蒸留によるCTR予測のための高次特徴相互作用を学習するための非巡回グラフファクトリゼーションマシン(KD-DAGFM)を提案する。 KD-DAGFMは、オンラインとオフラインの両方の実験において、最先端のFLOPの21.5%未満で最高の性能を達成する。
  論文  参考訳（メタデータ） (2022-11-21T03:09:42Z)
• SSM-DTA: Breaking the Barriers of Data Scarcity in Drug-Target Affinity Prediction [127.43571146741984]
  薬物標的親和性(DTA)は、早期の薬物発見において極めて重要である。 湿式実験は依然として最も信頼性の高い方法であるが、時間と資源が集中している。 既存の手法は主に、データ不足の問題に適切に対処することなく、利用可能なDTAデータに基づく技術開発に重点を置いている。 SSM-DTAフレームワークについて述べる。
  論文  参考訳（メタデータ） (2022-06-20T14:53:25Z)

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。