論文の概要: FID-Net: A Feature-Enhanced Deep Learning Network for Forest Infestation Detection

• arxiv url: http://arxiv.org/abs/2512.13104v1
• Date: Mon, 15 Dec 2025 09:01:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-16 17:54:56.592856
• Title: FID-Net: A Feature-Enhanced Deep Learning Network for Forest Infestation Detection
• Title（参考訳）: FID-Net:森林寄生虫検出のための機能強化深層学習ネットワーク
• Authors: Yan Zhang, Baoxin Li, Han Sun, Yuhang Gao, Mingtai Zhang, Pei Wang,
• Abstract要約: 本研究では,UAV可視光画像から害害木を検出する深層学習モデルFID-Netを提案する。 中国天山東部の32の森林区画から得られたUAV画像の実験では、FID-Netは86.10%の精度、75.44%のリコール、82.29%のmAP@0.5、64.30%のmAP@0.5:0.95を達成している。
• 参考スコア（独自算出の注目度）: 18.263863060603615
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Forest pests threaten ecosystem stability, requiring efficient monitoring. To overcome the limitations of traditional methods in large-scale, fine-grained detection, this study focuses on accurately identifying infected trees and analyzing infestation patterns. We propose FID-Net, a deep learning model that detects pest-affected trees from UAV visible-light imagery and enables infestation analysis via three spatial metrics. Based on YOLOv8n, FID-Net introduces a lightweight Feature Enhancement Module (FEM) to extract disease-sensitive cues, an Adaptive Multi-scale Feature Fusion Module (AMFM) to align and fuse dual-branch features (RGB and FEM-enhanced), and an Efficient Channel Attention (ECA) mechanism to enhance discriminative information efficiently. From detection results, we construct a pest situation analysis framework using: (1) Kernel Density Estimation to locate infection hotspots; (2) neighborhood evaluation to assess healthy trees' infection risk; (3) DBSCAN clustering to identify high-density healthy clusters as priority protection zones. Experiments on UAV imagery from 32 forest plots in eastern Tianshan, China, show that FID-Net achieves 86.10% precision, 75.44% recall, 82.29% mAP@0.5, and 64.30% mAP@0.5:0.95, outperforming mainstream YOLO models. Analysis confirms infected trees exhibit clear clustering, supporting targeted forest protection. FID-Net enables accurate tree health discrimination and, combined with spatial metrics, provides reliable data for intelligent pest monitoring, early warning, and precise management.
• Abstract（参考訳）: 森林害虫は生態系の安定を脅かし、効率的なモニタリングを必要とする。 本研究は, 感染木を正確に同定し, 寄生パターンを解析することを目的とした, 大規模かつきめ細かな検出における従来の方法の限界を克服する。 本研究では,UAV可視光画像から害虫害木を検出する深層学習モデルFID-Netを提案する。 YOLOv8nに基づいて、FID-Netは、病気に敏感なキューを抽出するための軽量な機能拡張モジュール(FEM)、デュアルブランチ機能(RGBとFEMアンハンス)の調整と融合を行う適応型マルチスケール機能融合モジュール(AMFM)、識別情報を効率的に強化する効率的なチャネル注意機構(ECA)を導入している。 検出結果から,(1)感染するホットスポットの特定のためのカーネル密度推定,(2)健康な樹木の感染リスク評価のための地区評価,(3)密度の高い健康なクラスターを優先的保護領域として識別するためのDBSCANクラスタリングを用いた害虫状況分析フレームワークを構築した。 中国天山東部の32の森林区画から得られたUAV画像の実験では、FID-Netは86.10%の精度、75.44%のリコール、82.29%のmAP@0.5、64.30%のmAP@0.5:0.95を達成している。 分析によると、感染した樹木は明確な集束を示し、森林保護を目標としている。 FID-Netは、正確な木の健康判別を可能にし、空間メトリクスと組み合わせることで、インテリジェントな害虫モニタリング、早期警戒、精密管理のための信頼性の高いデータを提供する。

関連論文リスト

• YOLO and SGBM Integration for Autonomous Tree Branch Detection and Depth Estimation in Radiata Pine Pruning Applications [5.266753902938501]
  ラジエータの松の木を手作業で刈り取ると、極端な作業の高さと挑戦的な地形のため、かなりの安全性のリスクが生じる。 本稿では, YOLOオブジェクト検出とセミグロバルブロックマッチング(SGBM)ステレオビジョンを統合し, 自律型ドローンプルーニング操作を実現するコンピュータビジョンフレームワークを提案する。 ステレオカメラ入力のみを用いて,高精度な分岐検出と深度推定を実現し,高価なLiDARセンサを不要とした。
  論文  参考訳（メタデータ） (2025-12-05T04:08:47Z)
• DAONet-YOLOv8: An Occlusion-Aware Dual-Attention Network for Tea Leaf Pest and Disease Detection [2.661320179262946]
  本報告では,茶葉害虫や病原体を正確に検出するための3つの改良点を有するYOLOv8変異体を提案する。 既存のNet-YOLOv8は92.97%の精度、92.80%のリコール、97.10%のmAP@50、76.90%のmAP@50:95を達成し、YOLOv8nベースラインをそれぞれ2.34、4.68、1.40、および1.80ポイント上回っている。
  論文  参考訳（メタデータ） (2025-11-28T14:28:30Z)
• Analysis of Incursive Breast Cancer in Mammograms Using YOLO, Explainability, and Domain Adaptation [0.0]
  乳房画像からの乳がん検出のための深層学習モデルは、アウト・オブ・ディストリビューション・インプット(Out-of-Distribution input)を用いた場合、重大な信頼性上の問題がある。 本稿では,ResNet50をベースとしたOODフィルタとYOLOアーキテクチャを統合し,乳がんの正確な検出を行う包括的アプローチを開発する。 当社の戦略は,処理前の非マンモグラフィ入力を厳格に拒否するために,コサイン類似によるドメイン内ギャラリーを確立することで,ドメイン関連画像のみが検出パイプラインを供給できることを保証する。
  論文  参考訳（メタデータ） (2025-11-28T08:48:05Z)
• Backdoor Cleaning without External Guidance in MLLM Fine-tuning [76.82121084745785]
  Believe Your Eyes (BYE)は、アテンションエントロピーパターンを自己教師信号として活用して、バックドアサンプルを特定してフィルタリングするデータフィルタリングフレームワークである。 クリーンタスクのパフォーマンスを維持しながら、ほぼゼロの攻撃成功率を達成する。
  論文  参考訳（メタデータ） (2025-05-22T17:11:58Z)
• Dual-Task Learning for Dead Tree Detection and Segmentation with Hybrid Self-Attention U-Nets in Aerial Imagery [1.693687279684153]
  本研究では,深層学習に基づく木分割を改良するハイブリッド後処理フレームワークを提案する。 ボレアル林の高解像度空中画像に基づいて、このフレームワークはインスタンスレベルのセグメンテーション精度を41.5%向上させた。 フレームワークの計算効率は、壁と壁の間の木死のマッピングのようなスケーラブルなアプリケーションをサポートする。
  論文  参考訳（メタデータ） (2025-03-27T12:25:20Z)
• Multimodal classification of forest biodiversity potential from 2D orthophotos and 3D airborne laser scanning point clouds [47.679877727066206]
  森林生物多様性の評価は生態系管理と保全に不可欠である。 深層学習に基づく2次元直視と3次元空中レーザースキャン(ALS)点群からの近距離センシングデータの融合は、森林の生物多様性ポテンシャルを確実に評価することができる。 BioVistaのデータセットは、デンマークの温帯森林から採取された44の378対のオルソフォトスとALS点雲からなる。
  論文  参考訳（メタデータ） (2025-01-03T09:42:25Z)
• Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
  我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。 GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
  論文  参考訳（メタデータ） (2023-02-06T16:38:43Z)
• Evaluation of the potential of Near Infrared Hyperspectral Imaging for monitoring the invasive brown marmorated stink bug [53.682955739083056]
  BMSB(Halyomorpha halys)は、数種の作物を害する世界的重要性の害虫である。 本研究は、BMSB検体を検出する技術として、NIR-HSI(Near Infrared Hyperspectral Imaging)を実験室レベルで予備評価する。
  論文  参考訳（メタデータ） (2023-01-19T11:37:20Z)
• Free Lunch for Generating Effective Outlier Supervision [46.37464572099351]
  本稿では, ほぼ現実的な外乱監視を実現するための超効率的な手法を提案する。 提案したtextttBayesAug は,従来の方式に比べて偽陽性率を 12.50% 以上削減する。
  論文  参考訳（メタデータ） (2023-01-17T01:46:45Z)
• Classification of Single Tree Decay Stages from Combined Airborne LiDAR Data and CIR Imagery [1.4589991363650008]
  この研究は、初めて、個々の木(ノルウェー・スプルース)を5つの崩壊段階に自動的に分類した。 3つの異なる機械学習手法 - 3Dポイントクラウドベースのディープラーニング(KPConv)、畳み込みニューラルネットワーク(CNN)、ランダムフォレスト(RF)。 KPConv、CNN、RFの合計精度は88.8%、88.4%、85.9%に達した。
  論文  参考訳（メタデータ） (2023-01-04T22:20:16Z)
• Neuroevolution-based Classifiers for Deforestation Detection in Tropical Forests [62.997667081978825]
  森林破壊や荒廃により、毎年何百万ヘクタールもの熱帯林が失われる。 監視・森林破壊検知プログラムは、犯罪者の予防・処罰のための公共政策に加えて、使用されている。 本稿では,熱帯林の森林破壊検出作業におけるニューロ進化技術(NEAT)に基づくパターン分類器の利用を提案する。
  論文  参考訳（メタデータ） (2022-08-23T16:04:12Z)

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。