論文の概要: Synthetic Crop-Weed Image Generation and its Impact on Model Generalization

• arxiv url: http://arxiv.org/abs/2511.02417v1
• Date: Tue, 04 Nov 2025 09:47:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 18:47:05.882411
• Title: Synthetic Crop-Weed Image Generation and its Impact on Model Generalization
• Title（参考訳）: 合成作物雑草画像生成とモデル一般化への影響
• Authors: Garen Boyadjian, Cyrille Pierre, Johann Laconte, Riccardo Bertoglio,
• Abstract要約: Blender を用いた人工雑草画像の手続き的生成のためのパイプラインを提案する。 我々は、合成および実データに基づいて、最先端のセグメンテーションモデルをいくつかベンチマークする。 以上の結果から, 合成画像のトレーニングにより, 従来の最先端手法よりも10%の差が生じることがわかった。
• 参考スコア（独自算出の注目度）: 0.8849672280563691
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Precise semantic segmentation of crops and weeds is necessary for agricultural weeding robots. However, training deep learning models requires large annotated datasets, which are costly to obtain in real fields. Synthetic data can reduce this burden, but the gap between simulated and real images remains a challenge. In this paper, we present a pipeline for procedural generation of synthetic crop-weed images using Blender, producing annotated datasets under diverse conditions of plant growth, weed density, lighting, and camera angle. We benchmark several state-of-the-art segmentation models on synthetic and real datasets and analyze their cross-domain generalization. Our results show that training on synthetic images leads to a sim-to-real gap of 10%, surpassing previous state-of-the-art methods. Moreover, synthetic data demonstrates good generalization properties, outperforming real datasets in cross-domain scenarios. These findings highlight the potential of synthetic agricultural datasets and support hybrid strategies for more efficient model training.
• Abstract（参考訳）: 農業雑草ロボットには作物と雑草の精密なセマンティックセグメンテーションが必要である。 しかし、ディープラーニングモデルのトレーニングには大量の注釈付きデータセットが必要である。 合成データはこの負担を軽減することができるが、シミュレーションと実際の画像のギャップは依然として課題である。 本稿では, 植物生育, 雑草密度, ライティング, カメラアングルの様々な条件下で, 注釈付きデータセットを生成するBlenderを用いた人工雑草画像の手続き的生成のためのパイプラインを提案する。 我々は、合成データセットと実データに対する最先端セグメンテーションモデルをいくつかベンチマークし、それらのクロスドメインの一般化を分析する。 以上の結果から, 合成画像のトレーニングにより, 従来の最先端手法よりも10%の差が生じることがわかった。 さらに、合成データは、クロスドメインシナリオにおける実際のデータセットよりも優れた一般化特性を示す。 これらの知見は, 合成農業データセットの可能性と, より効率的なモデルトレーニングのためのハイブリッド戦略をサポートすることを明らかにする。

関連論文リスト

• Scaling Transformer-Based Novel View Synthesis Models with Token Disentanglement and Synthetic Data [53.040873127309766]
  本稿では,トランスアーキテクチャ内でのトークンのアンタングル化プロセスを提案し,特徴分離を向上し,より効果的な学習を実現する。 提案手法は,データセット内およびデータセット間の評価において,既存のモデルよりも優れる。
  論文  参考訳（メタデータ） (2025-09-08T17:58:06Z)
• Is Synthetic Image Useful for Transfer Learning? An Investigation into Data Generation, Volume, and Utilization [62.157627519792946]
  ブリッジドトランスファー(ブリッジドトランスファー)と呼ばれる新しいフレームワークを導入する。このフレームワークは、当初、トレーニング済みモデルの微調整に合成画像を使用し、転送性を向上させる。 合成画像と実画像のスタイルアライメントを改善するために,データセットスタイルの逆変換方式を提案する。 提案手法は10の異なるデータセットと5つの異なるモデルで評価され、一貫した改善が示されている。
  論文  参考訳（メタデータ） (2024-03-28T22:25:05Z)
• 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)
• Learning from Synthetic Data for Visual Grounding [55.21937116752679]
  そこで本研究では,SynGroundが市販のビジョン・アンド・ランゲージモデルのローカライズ能力を向上できることを示す。 SynGroundで生成されたデータは、事前訓練されたALBEFモデルとBLIPモデルのポインティングゲーム精度をそれぞれ4.81%、絶対パーセンテージポイント17.11%向上させる。
  論文  参考訳（メタデータ） (2024-03-20T17:59:43Z)
• Improving the Effectiveness of Deep Generative Data [5.856292656853396]
  下流の画像処理タスクのための純粋合成画像のモデルを訓練すると、実際のデータに対するトレーニングに比べ、望ましくない性能低下が生じる。 本稿では,この現象に寄与する要因を記述した新しい分類法を提案し,CIFAR-10データセットを用いて検討する。 本手法は,合成データと合成データの混合による学習と合成データのみの学習において,下流分類タスクのベースラインに優れる。
  論文  参考訳（メタデータ） (2023-11-07T12:57:58Z)
• Is synthetic data from generative models ready for image recognition? [69.42645602062024]
  本研究では,最新のテキスト・画像生成モデルから生成した合成画像が,画像認識タスクにどのように利用できるかを検討した。 本稿では,既存の生成モデルからの合成データの強大さと欠点を示し,認識タスクに合成データを適用するための戦略を提案する。
  論文  参考訳（メタデータ） (2022-10-14T06:54:24Z)
• Synthetic Data for Model Selection [2.4499092754102874]
  合成データはモデル選択に有用であることを示す。 そこで本研究では,実領域に適合する合成誤差推定をキャリブレーションする新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-05-03T09:52:03Z)
• Multi-Spectral Image Synthesis for Crop/Weed Segmentation in Precision Farming [3.4788711710826083]
  本稿では, 精密農業における作物・雑草の分枝化問題に適用し, 共通データ増分法に関する代替手法を提案する。 我々は、最も関連性の高いオブジェクトクラス(作物や雑草)を合成されたクラスに置き換えることで、半人工的なサンプルを作成する。 RGBデータに加えて、近赤外(NIR)情報も考慮し、4つのチャネルマルチスペクトル合成画像を生成する。
  論文  参考訳（メタデータ） (2020-09-12T08:49:36Z)

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。