Fugu-MT 論文翻訳(概要): Olive Tree Satellite Image Segmentation Based On SAM and Multi-Phase Refinement

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

Boosting SAM for Cross-Domain Few-Shot Segmentation via Conditional Point Sparsification [116.2386061247855]
我々は、参照例に基づいて、ドメイン間画像のSAMインタラクションを適応的にガイドする訓練不要なアプローチであるPoint Sparsification (CPS)を提案する。 CPSは、様々なCD-FSSデータセットで既存のトレーニング不要SAMベースのメソッドより優れている。
論文参考訳（メタデータ） (2026-02-05T02:17:38Z)
Identification of Deforestation Areas in the Amazon Rainforest Using Change Detection Models [1.2891210250935148]
ブラジルの法律Amazon(PRODES)における森林破壊の衛星監視プロジェクトは、国立宇宙研究研究所(INPE)のプロジェクトである。近年,この作業を支援するため,PRODESデータを用いた機械学習モデルが開発されている。完全畳み込みモデルや自己認識機構を組み込んだネットワークを含む,統合データセットにおけるさまざまな変化検出モデルの評価を行った。
論文参考訳（メタデータ） (2025-12-08T22:18:19Z)
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)
Data Augmentation and Resolution Enhancement using GANs and Diffusion Models for Tree Segmentation [49.13393683126712]
都市森林は、環境の質を高め、都市における生物多様性を支援する上で重要な役割を担っている。複雑な地形と異なる衛星センサーやUAV飛行高度による画像解像度の変化により、正確に木を検知することは困難である。低解像度空中画像の品質を高めるため,GANと拡散モデルとドメイン適応を統合した新しいパイプラインを提案する。
論文参考訳（メタデータ） (2025-05-21T03:57:10Z)
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)
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)

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。