論文の概要: Data-Centric AI for Tropical Agricultural Mapping: Challenges, Strategies and Scalable Solutions
- arxiv url: http://arxiv.org/abs/2510.16207v1
- Date: Fri, 17 Oct 2025 20:40:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-25 00:56:38.897424
- Title: Data-Centric AI for Tropical Agricultural Mapping: Challenges, Strategies and Scalable Solutions
- Title（参考訳）: 熱帯農業マッピングのためのデータ中心型AI - 挑戦,戦略,スケーラブルなソリューション
- Authors: Mateus Pinto da Silva, Sabrina P. L. P. Correa, Hugo N. Oliveira, Ian M. Nunes, Jefersson A. dos Santos,
- Abstract要約: 本稿では,データ中心人工知能(DCAI)の視点とパイプラインを提唱する。
信頼性のある学習、コアセットの選択、データ拡張、アクティブな学習などのテクニックをレビューし、優先順位付けする。
このチュートリアルでは、実践的なソリューションを、熱帯農業のダイナミックな現実にもっと適したAIモデルのキュレーションとトレーニングのためのデータ中心のアプローチとして概説している。
- 参考スコア（独自算出の注目度）: 3.981862558933004
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Mapping agriculture in tropical areas through remote sensing presents unique challenges, including the lack of high-quality annotated data, the elevated costs of labeling, data variability, and regional generalisation. This paper advocates a Data-Centric Artificial Intelligence (DCAI) perspective and pipeline, emphasizing data quality and curation as key drivers for model robustness and scalability. It reviews and prioritizes techniques such as confident learning, core-set selection, data augmentation, and active learning. The paper highlights the readiness and suitability of 25 distinct strategies in large-scale agricultural mapping pipelines. The tropical context is of high interest, since high cloudiness, diverse crop calendars, and limited datasets limit traditional model-centric approaches. This tutorial outlines practical solutions as a data-centric approach for curating and training AI models better suited to the dynamic realities of tropical agriculture. Finally, we propose a practical pipeline using the 9 most mature and straightforward methods that can be applied to a large-scale tropical agricultural mapping project.
- Abstract（参考訳）: リモートセンシングによる熱帯地域の農業のマッピングは、高品質な注釈付きデータの欠如、ラベル付けの高コスト化、データの多様性、地域一般化など、ユニークな課題を呈している。
本稿ではデータ中心人工知能(Data-Centric Artificial Intelligence:DCAI)の視点とパイプラインを提唱し、データ品質とキュレーションをモデル堅牢性とスケーラビリティの重要な要因として強調する。
信頼性のある学習、コアセットの選択、データ拡張、アクティブな学習などのテクニックをレビューし、優先順位付けする。
本論文は,大規模農業マッピングパイプラインにおける25の異なる戦略の即応性と適合性を強調した。
熱帯の文脈は、高い曇り、多様な収穫暦、限られたデータセットが伝統的なモデル中心のアプローチを制限するため、高い関心を集めている。
このチュートリアルでは、データ中心のアプローチとして、熱帯農業のダイナミックな現実にもっと適したAIモデルをキュレートし、訓練する、実践的なソリューションを概説する。
最後に,大規模熱帯農業マッピングプロジェクトに適用可能な,最も成熟した,かつ簡単な9つの方法を用いた実用的なパイプラインを提案する。
関連論文リスト
- ROVR-Open-Dataset: A Large-Scale Depth Dataset for Autonomous Driving [62.9051914830949]
実世界の運転の複雑さを捉えるために設計された,大規模で多様で費用効率のよい深度データセットであるROVRを提案する。
軽量な取得パイプラインは、スケーラブルなコレクションを保証すると同時に、統計的に十分な基礎的真実は堅牢なトレーニングをサポートする。
最先端の単分子深度モデルによるベンチマークでは、厳密なクロスデータセットの一般化失敗が示される。
論文 参考訳（メタデータ） (2025-08-19T16:13:49Z) - AI in Agriculture: A Survey of Deep Learning Techniques for Crops, Fisheries and Livestock [77.95897723270453]
作物、漁業、家畜が世界の食料生産のバックボーンを形成し、成長を続ける世界の人口を養うのに不可欠である。
これらの問題に対処するには、効率的で正確でスケーラブルな技術ソリューションが必要であり、人工知能(AI)の重要性を強調している。
本調査では,従来の機械学習アプローチ,高度なディープラーニング技術,最新のビジョン言語基礎モデルなど,200以上の研究成果を体系的かつ徹底的にレビューする。
論文 参考訳（メタデータ） (2025-07-29T17:59:48Z) - Shifting AI Efficiency From Model-Centric to Data-Centric Compression [67.45087283924732]
AI研究の焦点は、モデル中心の圧縮からデータ中心の圧縮へとシフトしている、と私たちは主張する。
データ中心圧縮は、モデルトレーニングや推論中に処理されたデータのボリュームを直接圧縮することで、AI効率を向上させる。
我々の研究は、AIの効率性に関する新たな視点を提供し、既存の取り組みを合成し、コンテキスト長の増大によって引き起こされる課題に対処するためにイノベーションを触媒することを目的としています。
論文 参考訳（メタデータ） (2025-05-25T13:51:17Z) - 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) - Few-Shot Adaptation of Grounding DINO for Agricultural Domain [0.29998889086656577]
Grounding-DINOのようなオープンセットオブジェクト検出モデルは、テキストプロンプト入力に基づいて興味のある領域を検出する潜在的なソリューションを提供する。
そこで本研究では,テキストエンコーダモジュールを除去することで,グラウンディング・ディノアーキテクチャを単純化する,効率的な数ショット適応手法を提案する。
本手法は, 植物雑草の検出, 植物数, 昆虫の識別, 果実数, リモートセンシングタスクなど, 複数の農業データセットにまたがる優れた性能を実現する。
論文 参考訳（メタデータ） (2025-04-09T19:57:25Z) - Generating Diverse Agricultural Data for Vision-Based Farming Applications [74.79409721178489]
このモデルは, 植物の成長段階, 土壌条件の多様性, 照明条件の異なるランダム化フィールド配置をシミュレートすることができる。
我々のデータセットにはセマンティックラベル付き12,000の画像が含まれており、精密農業におけるコンピュータビジョンタスクの包括的なリソースを提供する。
論文 参考訳（メタデータ） (2024-03-27T08:42:47Z) - Explainable AI in Grassland Monitoring: Enhancing Model Performance and
Domain Adaptability [0.6131022957085438]
草原は高い生物多様性と複数の生態系サービスを提供する能力で知られている。
指標植物の自動識別の課題は、大規模な草地モニタリングの鍵となる障害である。
本稿では,移動学習と草地モニタリングへのXAIアプローチを中心に,後者の2つの課題を考察する。
論文 参考訳（メタデータ） (2023-12-13T10:17:48Z) - Data-Centric Digital Agriculture: A Perspective [23.566985362242498]
デジタル農業は、食料、食料、繊維、燃料の需要の増加に対応するために急速に発展している。
デジタル農業における機械学習の研究は、主にモデル中心のアプローチに焦点を当てている。
デジタル農業の可能性を完全に実現するためには、この分野におけるデータの役割を包括的に理解することが不可欠である。
論文 参考訳（メタデータ） (2023-12-06T11:38:26Z) - Agave crop segmentation and maturity classification with deep learning
data-centric strategies using very high-resolution satellite imagery [101.18253437732933]
超高解像度衛星画像を用いたAgave tequilana Weber azul crop segmentation and mature classificationを提案する。
実世界の深層学習問題を,作物の選別という非常に具体的な文脈で解決する。
結果として得られた正確なモデルにより、大規模地域で生産予測を行うことができる。
論文 参考訳（メタデータ） (2023-03-21T03:15:29Z) - Big Earth Data and Machine Learning for Sustainable and Resilient
Agriculture [0.0]
この論文は、我々の時代の高品質でオープンな地球観測データによって提供される前例のない機会を認識している。
持続的で回復力のある農業のためのアプリケーションを開発するために、機械学習とビッグデータメソッドを導入している。
論文 参考訳（メタデータ） (2022-11-22T20:58:54Z)
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。