論文の概要: Forestpest-YOLO: A High-Performance Detection Framework for Small Forestry Pests

• arxiv url: http://arxiv.org/abs/2510.00547v1
• Date: Wed, 01 Oct 2025 06:06:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 16:59:20.406178
• Title: Forestpest-YOLO: A High-Performance Detection Framework for Small Forestry Pests
• Title（参考訳）: 小型森林害虫の高性能検出フレームワーク「フォレストペスト・ヨロ」
• Authors: Aoduo Li, Peikai Lin, Jiancheng Li, Zhen Zhang, Shiting Wu, Zexiao Liang, Zhifa Jiang,
• Abstract要約: 本稿では,森林リモートセンシングのニュアンスに巧みに最適化された検出フレームワークであるフォレストペスト・ヨロを紹介する。 まず、ダウンサンプリングモジュールであるSPD-Convを統合し、ネットワーク全体を通して小さなターゲットに関する重要な高解像度の詳細が保存されるようにします。 これは、背景雑音を抑えながらマルチスケールの特徴表現を動的に強化する新しいクロスステージ機能融合ブロック、CSPOKによって補完される。
• 参考スコア（独自算出の注目度）: 3.9627432442852544
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Detecting agricultural pests in complex forestry environments using remote sensing imagery is fundamental for ecological preservation, yet it is severely hampered by practical challenges. Targets are often minuscule, heavily occluded, and visually similar to the cluttered background, causing conventional object detection models to falter due to the loss of fine-grained features and an inability to handle extreme data imbalance. To overcome these obstacles, this paper introduces Forestpest-YOLO, a detection framework meticulously optimized for the nuances of forestry remote sensing. Building upon the YOLOv8 architecture, our framework introduces a synergistic trio of innovations. We first integrate a lossless downsampling module, SPD-Conv, to ensure that critical high-resolution details of small targets are preserved throughout the network. This is complemented by a novel cross-stage feature fusion block, CSPOK, which dynamically enhances multi-scale feature representation while suppressing background noise. Finally, we employ VarifocalLoss to refine the training objective, compelling the model to focus on high-quality and hard-to-classify samples. Extensive experiments on our challenging, self-constructed ForestPest dataset demonstrate that Forestpest-YOLO achieves state-of-the-art performance, showing marked improvements in detecting small, occluded pests and significantly outperforming established baseline models.
• Abstract（参考訳）: リモートセンシング画像を用いた複雑な森林環境下での農業害虫の検出は、生態保全に不可欠であるが、実際的な課題によって著しく妨げられている。 ターゲットはしばしば微妙で、密集した背景と視覚的に類似しており、従来の物体検出モデルは細粒度の特徴の欠如と極端なデータの不均衡に対処できないために混乱する。 このような障害を克服するために,森林リモートセンシングのニュアンスに巧みに最適化された検出フレームワークであるフォレストペスト・ヨロを紹介した。 YOLOv8アーキテクチャに基づいて、私たちのフレームワークはイノベーションのシナジスティックな3つのトリオを導入します。 我々はまず、損失のないダウンサンプリングモジュールであるSPD-Convを統合して、小さなターゲットに関する重要な高解像度の詳細がネットワーク全体に保持されていることを保証する。 これは、背景雑音を抑えながらマルチスケールの特徴表現を動的に強化する新しいクロスステージ機能融合ブロック、CSPOKによって補完される。 最後に、VarifocalLossを用いてトレーニングの目的を洗練し、高品質で分類が難しいサンプルにモデルを集中させます。 私たちの挑戦的な自己構築型フォレストペストデータセットに関する大規模な実験は、フォレストペスト・ヨロが最先端のパフォーマンスを達成し、小さく、隠蔽された害虫を検出し、確立されたベースラインモデルを大幅に上回っていることを示す。

関連論文リスト

• RoHOI: Robustness Benchmark for Human-Object Interaction Detection [78.18946529195254]
  ヒューマン・オブジェクト・インタラクション(HOI)検出は、コンテキスト認識支援を可能にするロボット・ヒューマン・アシストに不可欠である。 HOI検出のための最初のベンチマークを導入し、様々な課題下でモデルのレジリエンスを評価する。 我々のベンチマークであるRoHOIは、HICO-DETとV-COCOデータセットに基づく20の汚職タイプと、新しいロバストネスにフォーカスしたメトリクスを含んでいる。
  論文  参考訳（メタデータ） (2025-07-12T01:58:04Z)
• RareSpot: Spotting Small and Rare Wildlife in Aerial Imagery with Multi-Scale Consistency and Context-Aware Augmentation [6.756718879272925]
  RareSpotは、マルチスケールの一貫性学習とコンテキスト認識強化を統合した堅牢な検出フレームワークである。 提案手法は最先端性能を実現し,ベースライン法と比較して検出精度を35%以上向上させる。
  論文  参考訳（メタデータ） (2025-06-23T20:03:43Z)
• 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)
• YOLO-RS: Remote Sensing Enhanced Crop Detection Methods [0.32985979395737786]
  既存のターゲット検出手法は、リモートセンシング画像において、小さなターゲットを扱う際の性能が劣っている。 YOLO-RSは、小さなターゲットの検出を大幅に強化した最新のYolov11に基づいている。 リモートセンシング画像における小目標検出作業におけるYOLO-RSの有効性と適用可能性を検証する実験を行った。
  論文  参考訳（メタデータ） (2025-04-15T13:13:22Z)
• DEAL-YOLO: Drone-based Efficient Animal Localization using YOLO [0.0]
  本研究は,無人航空機(UAV)画像における小型物体検出を改善する新しい手法を提案する。 Deal-YOLO は Wise IoU (WIoU) や Normalized Wasserstein Distance (NWD) のような多目的損失関数を採用しており、バウンディングボックスの中央付近のピクセルを優先している。 このモデルはLinear Deformable (LD)畳み込みによる効率的な特徴抽出により最適化され、計算効率を維持しながら精度を向上する。
  論文  参考訳（メタデータ） (2025-03-06T18:46:10Z)
• From Easy to Hard: Progressive Active Learning Framework for Infrared Small Target Detection with Single Point Supervision [18.555485444818835]
  単一点監視のための革新的プログレッシブアクティブラーニング(PAL)フレームワークを構築した。 簡単なサンプルを自動選択することに焦点を当てたモデル事前開始概念を提案する。 PALフレームワークを搭載した既存のSIRST検出ネットワークは、複数の公開データセットに対して、最先端(SOTA)の結果を得たことを示す。
  論文  参考訳（メタデータ） (2024-12-15T11:08:49Z)
• Small Object Detection via Coarse-to-fine Proposal Generation and Imitation Learning [52.06176253457522]
  本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。 CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
  論文  参考訳（メタデータ） (2023-08-18T13:13:09Z)
• CamDiff: Camouflage Image Augmentation via Diffusion Model [83.35960536063857]
  CamDiffは、カモフラージュされたシーンで透明なオブジェクトを合成するための新しいアプローチだ。 我々は,潜伏拡散モデルを用いて,カモフラージュされたシーンで有能な物体を合成する。 当社のアプローチでは、フレキシブルな編集と大規模データセットの効率的な生成を低コストで実現している。
  論文  参考訳（メタデータ） (2023-04-11T19:37:47Z)
• Robust Single Image Dehazing Based on Consistent and Contrast-Assisted Reconstruction [95.5735805072852]
  画像復調モデルのロバスト性を改善するための新しい密度変分学習フレームワークを提案する。 具体的には、デハジングネットワークは、一貫性の規則化されたフレームワークの下で最適化されている。 我々の手法は最先端のアプローチを大きく上回っている。
  論文  参考訳（メタデータ） (2022-03-29T08:11:04Z)
• Progressive Self-Guided Loss for Salient Object Detection [102.35488902433896]
  画像中の深層学習に基づくサラエント物体検出を容易にするプログレッシブ自己誘導損失関数を提案する。 我々のフレームワークは適応的に集約されたマルチスケール機能を利用して、健全な物体の探索と検出を効果的に行う。
  論文  参考訳（メタデータ） (2021-01-07T07:33:38Z)

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。