論文の概要: SDE-DET: A Precision Network for Shatian Pomelo Detection in Complex Orchard Environments

• arxiv url: http://arxiv.org/abs/2509.19990v1
• Date: Wed, 24 Sep 2025 10:50:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-25 20:53:19.783199
• Title: SDE-DET: A Precision Network for Shatian Pomelo Detection in Complex Orchard Environments
• Title（参考訳）: SDE-DET:複雑なオーチャード環境におけるシャチアンポメロ検出のための高精度ネットワーク
• Authors: Yihao Hu, Pan Wang, Xiaodong Bai, Shijie Cai, Hang Wang, Huazhong Liu, Aiping Yang, Xiangxiang Li, Meiping Ding, Hongyan Liu, Jianguo Yao,
• Abstract要約: ポメロ検出は、そのローカライゼーション、自動化されたロボット収穫、成熟度分析に欠かせないプロセスである。 本研究では、カスタムデータセットを構築し、シャチのポメロ検出のためのSDE-DETモデルを提案する。 実験の結果、SDE-DETはシャチのポメロ検出の信頼性の高い方法を提供し、自動収穫ロボットのさらなる開発の基礎を築いた。
• 参考スコア（独自算出の注目度）: 20.62293052218828
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pomelo detection is an essential process for their localization, automated robotic harvesting, and maturity analysis. However, detecting Shatian pomelo in complex orchard environments poses significant challenges, including multi-scale issues, obstructions from trunks and leaves, small object detection, etc. To address these issues, this study constructs a custom dataset STP-AgriData and proposes the SDE-DET model for Shatian pomelo detection. SDE-DET first utilizes the Star Block to effectively acquire high-dimensional information without increasing the computational overhead. Furthermore, the presented model adopts Deformable Attention in its backbone, to enhance its ability to detect pomelos under occluded conditions. Finally, multiple Efficient Multi-Scale Attention mechanisms are integrated into our model to reduce the computational overhead and extract deep visual representations, thereby improving the capacity for small object detection. In the experiment, we compared SDE-DET with the Yolo series and other mainstream detection models in Shatian pomelo detection. The presented SDE-DET model achieved scores of 0.883, 0.771, 0.838, 0.497, and 0.823 in Precision, Recall, mAP@0.5, mAP@0.5:0.95 and F1-score, respectively. SDE-DET has achieved state-of-the-art performance on the STP-AgriData dataset. Experiments indicate that the SDE-DET provides a reliable method for Shatian pomelo detection, laying the foundation for the further development of automatic harvest robots.
• Abstract（参考訳）: ポメロ検出は、そのローカライゼーション、自動化されたロボット収穫、成熟度分析に欠かせないプロセスである。 しかし、複雑な果樹園環境におけるシャティアン・ポメロの検出は、マルチスケールの問題、幹や葉からの障害、小さな物体の検出など、重大な課題を引き起こす。 これらの問題に対処するために、STP-AgriDataのカスタムデータセットを構築し、Shatian pomelo検出のためのSDE-DETモデルを提案する。 SDE-DETは、まずスターブロックを利用して、計算オーバーヘッドを増大させることなく、高次元情報を効果的に取得する。 さらに、提案モデルでは、背骨に変形性注意(Deformable Attention)を採用し、閉塞状態下でのポリメロの検出能力を高める。 最後に,複数の効率的なマルチスケールアテンション機構を我々のモデルに統合し,計算オーバーヘッドを低減し,深い視覚的表現を抽出し,小さな物体検出能力を向上させる。 実験では,SDE-DETとヨーロ級数および他の主流検出モデルとの比較を行った。 提案したSDE-DETモデルはそれぞれ、精度、リコール、mAP@0.5、mAP@0.5:0.95、F1スコアで0.883、0.771、0.838、0.497、0.823のスコアを得た。 SDE-DETはSTP-AgriDataデータセットで最先端のパフォーマンスを達成した。 実験の結果、SDE-DETはシャチのポメロ検出の信頼性の高い方法を提供し、自動収穫ロボットのさらなる開発の基礎を築いた。

関連論文リスト

• SOD-YOLO: Enhancing YOLO-Based Detection of Small Objects in UAV Imagery [5.639904484784127]
  実験結果から,SOD-YOLOは検出性能を著しく向上することが示された。 SOD-YOLOは、UAV画像における小さな物体検出のための実用的で効率的なソリューションである。
  論文  参考訳（メタデータ） (2025-07-17T02:04:54Z)
• DiffPuter: Empowering Diffusion Models for Missing Data Imputation [56.48119008663155]
  本稿ではDiffPuterについて紹介する。DiffPuterは、データ計算の欠如に対する期待最大化(EM)アルゴリズムと組み合わせた、カスタマイズされた拡散モデルである。 我々の理論的解析は、DiffPuterのトレーニングステップがデータ密度の最大推定値に対応することを示している。 DiffPuterは,最も競争力のある既存手法と比較して,MAEが6.94%,RMSEが4.78%向上した。
  論文  参考訳（メタデータ） (2024-05-31T08:35:56Z)
• PAODING: A High-fidelity Data-free Pruning Toolkit for Debloating Pre-trained Neural Networks [11.600305034972996]
  PAOdingは、データフリープルーニングのレンズを通じて、トレーニング済みのニューラルネットワークモデルを肥大化させるツールキットである。 モデルのサイズを大幅に削減し、異なるデータセットやモデルで一般化することができる。 また、テスト精度と対向ロバスト性の観点からモデルの忠実性を保持することもできる。
  論文  参考訳（メタデータ） (2024-04-30T07:24:41Z)
• SA-Solver: Stochastic Adams Solver for Fast Sampling of Diffusion Models [63.49229402384349]
  拡散確率モデル(DPM)は生成タスクでかなりの成功を収めた。 DPM からのサンプリングは、時間を要する拡散 SDE や ODE の解法と等価であるため、改良された微分方程式解法に基づく多数の高速サンプリング手法が提案されている。 SDEを解き、高品質なデータを生成するための効率的な方法である textitSA-r を提案する。
  論文  参考訳（メタデータ） (2023-09-10T12:44:54Z)
• Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
  パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。 我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。 次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-02-18T22:41:51Z)
• Differentiable and Scalable Generative Adversarial Models for Data Imputation [24.111493826345082]
  SCISは2つのモジュールから構成される。DIMとサンプルサイズ推定(SSE)である。 複数の実生活大規模データセットを用いた実験により, 提案システムでは, 生成的対角モデルトレーニングを7.1倍高速化できることを示した。
  論文  参考訳（メタデータ） (2022-01-10T08:03:14Z)
• Score-Based Generative Modeling through Stochastic Differential Equations [114.39209003111723]
  複素データ分布を雑音を注入することによって既知の事前分布に変換する微分方程式を提案する。 対応する逆時間SDEは、ノイズを緩やかに除去し、先行分布をデータ分布に戻す。 スコアベース生成モデリングの進歩を活用することで、これらのスコアをニューラルネットワークで正確に推定することができる。 スコアベース生成モデルから1024×1024画像の高忠実度生成を初めて示す。
  論文  参考訳（メタデータ） (2020-11-26T19:39:10Z)
• Weak SINDy For Partial Differential Equations [0.0]
  我々はWeak SINDy(WSINDy)フレームワークを偏微分方程式(PDE)の設定にまで拡張する。 弱い形状による点微分近似の除去は、ノイズフリーデータからモデル係数の効率的な機械的精度回復を可能にする。 我々は、いくつかの挑戦的なPDEに対して、WSINDyの堅牢性、速度、精度を実証する。
  論文  参考訳（メタデータ） (2020-07-06T16:03:51Z)

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。