論文の概要: Augment to Segment: Tackling Pixel-Level Imbalance in Wheat Disease and Pest Segmentation

• arxiv url: http://arxiv.org/abs/2509.09961v1
• Date: Fri, 12 Sep 2025 04:38:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-15 16:03:07.976449
• Title: Augment to Segment: Tackling Pixel-Level Imbalance in Wheat Disease and Pest Segmentation
• Title（参考訳）: セグメンテーションの強化:小麦病と害虫セグメンテーションにおけるピクセルレベル不均衡に対処する
• Authors: Tianqi Wei, Xin Yu, Zhi Chen, Scott Chapman, Zi Huang,
• Abstract要約: 昆虫の損傷は、注釈付きピクセルのごく一部しか占めていない。 この極度のピクセルレベルの不均衡は、セグメンテーション性能に重大な課題をもたらす。 画素不均衡問題に対処するRandom Projected Copy-and-Paste(RPCP)拡張手法を提案する。
• 参考スコア（独自算出の注目度）: 34.461133608619015
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate segmentation of foliar diseases and insect damage in wheat is crucial for effective crop management and disease control. However, the insect damage typically occupies only a tiny fraction of annotated pixels. This extreme pixel-level imbalance poses a significant challenge to the segmentation performance, which can result in overfitting to common classes and insufficient learning of rare classes, thereby impairing overall performance. In this paper, we propose a Random Projected Copy-and-Paste (RPCP) augmentation technique to address the pixel imbalance problem. Specifically, we extract rare insect-damage patches from annotated training images and apply random geometric transformations to simulate variations. The transformed patches are then pasted in appropriate regions while avoiding overlaps with lesions or existing damaged regions. In addition, we apply a random projection filter to the pasted regions, refining local features and ensuring a natural blend with the new background. Experiments show that our method substantially improves segmentation performance on the insect damage class, while maintaining or even slightly enhancing accuracy on other categories. Our results highlight the effectiveness of targeted augmentation in mitigating extreme pixel imbalance, offering a straightforward yet effective solution for agricultural segmentation problems.
• Abstract（参考訳）: コムギの葉病と昆虫害の正確なセグメンテーションは、効果的な作物管理と病気管理に不可欠である。 しかし、昆虫の損傷は通常、注釈付きピクセルのごく一部しか占めていない。 この極度のピクセルレベルの不均衡はセグメンテーション性能に重大な課題をもたらし、その結果、一般的なクラスに過度に適合し、希少クラスの学習が不十分になり、全体的なパフォーマンスが損なわれる。 本稿では,画素不均衡問題に対処するRandom Projected Copy-and-Paste(RPCP)拡張手法を提案する。 具体的には、注釈付き訓練画像から稀な害虫パッチを抽出し、ランダムな幾何学的変換を適用して変異をシミュレートする。 変換されたパッチは、病変や既存の損傷領域との重複を回避しつつ、適切な領域にペーストされる。 さらに, 局所的な特徴を改良し, 新しい背景との自然なブレンドを確保するため, 貼り付けされた領域にランダムなプロジェクションフィルタを適用する。 実験により, 本手法は昆虫被害クラスにおけるセグメンテーション性能を著しく向上するとともに, その他のカテゴリーにおける精度をわずかに向上することを示した。 本研究は,極端画素不均衡を緩和する目的増強の有効性を強調し,農業分断問題に対する単純かつ効果的な解決法を提供する。

関連論文リスト

• Efficient Classification of Histopathology Images [5.749787074942512]
  腫瘍領域を付加した画像を用いて,腫瘍のパッチセットと良性パッチセットを癌スライドで同定した。 これはパッチレベルの分類において重要な問題となり、"cancerous"とラベル付けされた画像からのパッチの大部分は実際には腫瘍のないものである。
  論文  参考訳（メタデータ） (2024-09-08T17:41:04Z)
• Improving Accuracy-robustness Trade-off via Pixel Reweighted Adversarial Training [61.61368146268329]
  また,Pixel-reweighted AdveRsarial Training (PART)を提案する。 CIFAR-10、SVHN、TinyImagenet-200の堅牢性を損なうことなく、精度の顕著な向上を実現している。
  論文  参考訳（メタデータ） (2024-06-02T09:43:34Z)
• Classification of Breast Cancer Histopathology Images using a Modified Supervised Contrastive Learning Method [4.303291247305105]
  モデルロバスト性を高めるために、画像レベルラベルとドメイン固有の拡張の両方を活用することで教師付きコントラスト学習法を改善する。 乳癌の病理組織像から得られたBreakHisデータセットについて検討した。 この改良は93.63%の絶対精度に対応し、データの特性を利用してより適切な表現空間を学習するアプローチの有効性を強調した。
  論文  参考訳（メタデータ） (2024-05-06T17:06:11Z)
• AMLP:Adaptive Masking Lesion Patches for Self-supervised Medical Image Segmentation [67.97926983664676]
  自己監督型マスク画像モデリングは自然画像に対して有望な結果を示した。 しかし,このような手法を医用画像に直接適用することは依然として困難である。 適応型マスキング病変パッチ(AMLP)の自己管理型医用画像分割フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-08T13:18:10Z)
• Fearless Luminance Adaptation: A Macro-Micro-Hierarchical Transformer for Exposure Correction [65.5397271106534]
  単一のニューラルネットワークは、すべての露光問題に対処することが難しい。 特に、コンボリューションは、極端に過度に露出した領域における忠実な色や詳細を復元する能力を妨げる。 本稿では,マクロマイクロ階層変換器を提案する。マクロマイクロ階層変換器は,長距離依存を捉えるマクロアテンション,局所特徴を抽出するマイクロアテンション,粗大な修正のための階層構造を提案する。
  論文  参考訳（メタデータ） (2023-09-02T09:07:36Z)
• Cross-Site Severity Assessment of COVID-19 from CT Images via Domain Adaptation [64.59521853145368]
  CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。 ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。 この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
  論文  参考訳（メタデータ） (2021-09-08T07:56:51Z)
• Overcoming the limitations of patch-based learning to detect cancer in whole slide images [0.15658704610960567]
  ディープラーニングモデルをトレーニングする際、WSI(Whole Slide Image)がユニークな課題を提起する。 われわれは,スライド全体にわたって,がんの局所化や分節を正確に行う必要がある方法と,パッチやスライドレベルの分類の違いを概説する。 本稿では, 偽陽性率を大幅に低減し, 問題点に関連する各指標を改善する負のデータサンプリング戦略を提案する。
  論文  参考訳（メタデータ） (2020-12-01T16:37:18Z)
• Quantification of groundnut leaf defects using image processing algorithms [0.0]
  本研究は, アンダラプラデシュの4地域を対象に, イメージ・プロセッシング技術を用いて, 被害したオオムギの葉面積を推定する試みである。 これらの4つの領域にわたる画像解析の結果、葉面積の約14～28%がグラウンドナッツ畑で影響を受けることが明らかとなった。
  論文  参考訳（メタデータ） (2020-06-11T15:07:12Z)

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。