論文の概要: Olive Tree Satellite Image Segmentation Based On SAM and Multi-Phase Refinement

• arxiv url: http://arxiv.org/abs/2508.20954v1
• Date: Thu, 28 Aug 2025 16:16:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-29 18:12:02.502026
• Title: Olive Tree Satellite Image Segmentation Based On SAM and Multi-Phase Refinement
• Title（参考訳）: SAMとマルチパスリファインメントに基づくOlive Tree Satellite Image Segmentation
• Authors: Amir Jmal, Chaima Chtourou, Mahdi Louati, Abdelaziz Kallel, Houda Khmila,
• Abstract要約: この研究はSegment Anything Model(SAM)を統合し、農業計画においてオリーブの木を正確に識別し、セグメンテーションする。 提案手法は精度98%を達成し,SAMの初期性能82%を大きく上回った。
• 参考スコア（独自算出の注目度）: 0.6687571760931076
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In the context of proven climate change, maintaining olive biodiversity through early anomaly detection and treatment using remote sensing technology is crucial, offering effective management solutions. This paper presents an innovative approach to olive tree segmentation from satellite images. By leveraging foundational models and advanced segmentation techniques, the study integrates the Segment Anything Model (SAM) to accurately identify and segment olive trees in agricultural plots. The methodology includes SAM segmentation and corrections based on trees alignement in the field and a learanble constraint about the shape and the size. Our approach achieved a 98\% accuracy rate, significantly surpassing the initial SAM performance of 82\%.
• Abstract（参考訳）: 実証された気候変動の文脈では、リモートセンシング技術を用いた早期異常検出および治療を通じてオリーブ生物多様性を維持することが重要であり、効果的な管理ソリューションを提供する。 本稿では,衛星画像からのオリーブ樹のセグメンテーションに対する革新的なアプローチを提案する。 基礎モデルと高度なセグメンテーション技術を活用することにより、農業計画におけるオリーブ樹の正確な識別と分割をSAM(Segment Anything Model)に統合する。 この手法は、フィールド内の木の整合に基づくSAMセグメンテーションと修正と、形状と大きさに関するレランブル制約を含む。 提案手法の精度は98 %であり,初期SAM性能は82 %をはるかに上回った。

関連論文リスト

• Bringing SAM to new heights: Leveraging elevation data for tree crown segmentation from drone imagery [68.69685477556682]
  現在のモニタリング手法には、大規模なコスト、時間、労力を必要とする地上計測が含まれる。 ドローンのリモートセンシングとコンピュータビジョンは、広範囲の航空画像から個々の木をマッピングする大きな可能性を秘めている。 高解像度ドローン画像におけるツリークラウンインスタンスの自動セグメンテーションのためのセグメンテーションモデル(SAM)を用いた手法の比較を行った。 また,デジタルサーフェスモデル(DSM)情報を用いたモデルへの標高データの統合についても検討した。
  論文  参考訳（メタデータ） (2025-06-05T12:43:11Z)
• Assessing SAM for Tree Crown Instance Segmentation from Drone Imagery [68.69685477556682]
  現在のモニタリング手法では、各種に対して手動で木を計測し、コスト、時間、労働力を必要とする。 ドローンリモートセンシングとコンピュータビジョンの進歩は、空中画像から木をマッピングし、特徴づける大きな可能性を秘めている。 若木植林の高分解能ドローン画像における樹冠の自動区分け作業におけるSAM法の比較を行った。 SAM out-of-box を用いたメソッドは、よく設計されたプロンプトであっても、カスタム Mask R-CNN よりも優れているわけではないが、SAM をチューニングするメソッドの可能性を秘めている。
  論文  参考訳（メタデータ） (2025-03-26T03:45:36Z)
• Unsupervised deep learning for semantic segmentation of multispectral LiDAR forest point clouds [1.6633665061166945]
  本研究では,高密度レーザー走査点雲の葉木分離のための教師なし深層学習手法を提案する。 GrowSP-ForMS の平均精度は84.3%、mIoU平均交点は69.6%であった。
  論文  参考訳（メタデータ） (2025-02-10T07:58:49Z)
• Promptable Anomaly Segmentation with SAM Through Self-Perception Tuning [63.55145330447408]
  異常セグメンテーションのための textbfSelf-textbfPerceptinon textbfTuning (textbfSPT) 法を提案する。 SPT法は, 自己描画型チューニング戦略を取り入れ, 異常マスクの初期粗いドラフトを生成し, 精製処理を行う。
  論文  参考訳（メタデータ） (2024-11-26T08:33:25Z)
• ASAM: Boosting Segment Anything Model with Adversarial Tuning [9.566046692165884]
  本稿では, 対角的チューニングにより基礎モデルの性能を増幅する新しい手法であるASAMを紹介する。 我々は,自然言語処理における実装の成功に触発された,自然対逆例の可能性を生かした。 本手法は, 対向例のフォトリアリズムを維持し, 元のマスクアノテーションとの整合性を確保する。
  論文  参考訳（メタデータ） (2024-05-01T00:13:05Z)
• Can SAM recognize crops? Quantifying the zero-shot performance of a semantic segmentation foundation model on generating crop-type maps using satellite imagery for precision agriculture [4.825257766966091]
  クロップ型マップは意思決定支援ツールの重要な情報である。 本稿では,Meta AIのSegment Anything Model(SAM)の作物マップ予測機能について検討する。 SAMは最大3チャンネルの入力に制限されており、ゼロショットの使用は本質的にクラスに依存しない。
  論文  参考訳（メタデータ） (2023-11-25T23:40:09Z)
• A SAM-based Solution for Hierarchical Panoptic Segmentation of Crops and Weeds Competition [2.7624021966289605]
  本稿では,Segment AnyThing Model(SAM)のインスタンスセグメンテーションにおける有効性と,オブジェクト検出モデルからの迅速な入力を組み合わせたアプローチを提案する。 ベストパフォーマンスモデルでは,PQ+スコアが81.33であった。
  論文  参考訳（メタデータ） (2023-09-24T08:34:12Z)

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。