論文の概要: SWNet: A Cross-Spectral Network for Camouflaged Weed Detection

• arxiv url: http://arxiv.org/abs/2604.16147v1
• Date: Fri, 17 Apr 2026 15:20:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-20 22:00:19.978834
• Title: SWNet: A Cross-Spectral Network for Camouflaged Weed Detection
• Title（参考訳）: SWNet:カモフラージュ雑草検出のためのクロススペクトルネットワーク
• Abstract要約: 本稿では,高密度農業環境下でのカモフラージュ雑草の検出に特化して開発された,バイモーダル・エンドツーエンドのクロススペクトルネットワークSWNetについて述べる。 NIRスペクトルで捉えたクロロフィル反射率の生理的差異を利用して、提案アーキテクチャは、可視域で区別できないターゲットを効果的に識別する。 この研究は、複雑な作物の樹冠において、クロススペクトルデータと境界誘導精製の統合が高いセグメンテーション精度に不可欠であることを示す。
• 参考スコア（独自算出の注目度）: 0.5774786149181391
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: This paper presents SWNet, a bimodal end-to-end cross-spectral network specifically engineered for the detection of camouflaged weeds in dense agricultural environments. Plant camouflage, characterized by homochromatic blending where invasive species mimic the phenotypic traits of primary crops, poses a significant challenge for traditional computer vision systems. To overcome these limitations, SWNet utilizes a Pyramid Vision Transformer v2 backbone to capture long-range dependencies and a Bimodal Gated Fusion Module to dynamically integrate Visible and Near-Infrared information. By leveraging the physiological differences in chlorophyll reflectance captured in the NIR spectrum, the proposed architecture effectively discriminates targets that are otherwise indistinguishable in the visible range. Furthermore, an Edge-Aware Refinement module is employed to produce sharper object boundaries and reduce structural ambiguity. Experimental results on the Weeds-Banana dataset indicate that SWNet outperforms ten state-of-the-art methods. The study demonstrates that the integration of cross-spectral data and boundary-guided refinement is essential for high segmentation accuracy in complex crop canopies. The code is available on GitHub: https://cod-espol.github.io/SWNet/
• Abstract（参考訳）: 本稿では,高密度農業環境下でのカモフラージュ雑草の検出に特化して開発された,バイモーダル・エンドツーエンドのクロススペクトルネットワークSWNetについて述べる。 植物カモフラージュ(英: plant camouflage)は、侵入種が一次作物の表現型形質を模倣するホモクロマティックブレンディングによって特徴づけられるが、伝統的なコンピュータビジョンシステムにとって重要な課題である。 これらの制限を克服するため、SWNetはPraamid Vision Transformer v2バックボーンを使用して長距離依存関係をキャプチャし、Bimodal Gated Fusion Moduleを使って視覚情報と近赤外線情報を動的に統合する。 NIRスペクトルで捉えたクロロフィル反射率の生理的差異を利用して、提案アーキテクチャは、可視域で区別できないターゲットを効果的に識別する。 さらに、Edge-Aware Refinementモジュールを使用して、よりシャープなオブジェクト境界を生成し、構造的曖昧さを低減する。 Weeds-Bananaデータセットの実験結果は、SWNetが10の最先端メソッドより優れていることを示している。 この研究は、複雑な作物の樹冠において、クロススペクトルデータと境界誘導精製の統合が高いセグメンテーション精度に不可欠であることを示す。 コードはGitHubで入手できる。 https://cod-espol.github.io/SWNet/

関連論文リスト

• SFGNet: Semantic and Frequency Guided Network for Camouflaged Object Detection [2.8563206958455467]
  SFGNet(Semantic and Frequency Guided Network)を提案する。 セマンティック・プロンプトと周波数領域の機能を組み込んでカモフラージュされたオブジェクトをキャプチャし、境界知覚を改善する。 3つのCODベンチマークデータセットで行った大規模な実験により、我々の手法は最先端のアプローチよりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2025-09-15T03:15:31Z)
• GCRPNet: Graph-Enhanced Contextual and Regional Perception Network for Salient Object Detection in Optical Remote Sensing Images [68.33481681452675]
  本稿では,GCRPNet(Graph-enhanced contextual and Regional Recognition Network)を提案する。 これはMambaアーキテクチャの上に構築され、長距離依存関係を同時にキャプチャし、地域的特徴表現を強化する。 マルチスケールの畳み込みによって処理される特徴マップに対して適応的なパッチスキャンを行い、リッチなローカル領域情報をキャプチャする。
  論文  参考訳（メタデータ） (2025-08-14T11:31:43Z)
• DISTA-Net: Dynamic Closely-Spaced Infrared Small Target Unmixing [55.366556355538954]
  本稿では,動的フレームワーク内で従来のスパース再構築を再現する動的反復収縮閾値ネットワーク(DISTA-Net)を提案する。 DISTA-Netは、密接な空間を持つ赤外線小ターゲットのアンミックスのために特別に設計された最初のディープラーニングモデルである。 私たちはこの分野におけるさらなる研究を促進するために、最初のオープンソースエコシステムを確立しました。
  論文  参考訳（メタデータ） (2025-05-25T13:52:00Z)
• ARFC-WAHNet: Adaptive Receptive Field Convolution and Wavelet-Attentive Hierarchical Network for Infrared Small Target Detection [2.643590634429843]
  ARFC-WAHNetは、赤外線小ターゲット検出のための適応型受容野畳み込みおよびウェーブレット減衰階層ネットワークである。 ARFC-WAHNetは、検出精度とロバスト性の両方において、最近の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2025-05-15T09:44:23Z)
• Multi-Domain Biometric Recognition using Body Embeddings [51.36007967653781]
  身体埋め込みは中波長赤外線(MWIR)領域と長波長赤外線(LWIR)領域の顔埋め込みよりも優れていた。 我々は、IJB-MDFデータセット上でのベンチマーク結果を確立するために、ビジョントランスフォーマーアーキテクチャを活用している。 また, クロスエントロピーとトリプルト損失の単純な組み合わせで, VISデータにのみ事前訓練された体モデルを微調整することで, 最先端のmAPスコアが得られることを示す。
  論文  参考訳（メタデータ） (2025-03-13T22:38:18Z)
• Soybean Disease Detection via Interpretable Hybrid CNN-GNN: Integrating MobileNetV2 and GraphSAGE with Cross-Modal Attention [1.927711700724334]
  大豆の葉の病原体の検出は農業の生産性にとって重要であるが、視覚的に類似した症状と限定的な解釈可能性のために課題に直面している。 本稿では,局所化特徴抽出のためのMobileNetV2とリレーショナルモデリングのためのGraphSAGEを相乗化する,解釈可能なハイブリッドCNN-Graph Neural Network(GNN)フレームワークを提案する。 クロスモーダル解釈はGrad-CAMおよびEigen-CAMビジュアライゼーションを通じて実現され、熱マップを生成して疾患の流入領域をハイライトする。
  論文  参考訳（メタデータ） (2025-03-03T08:12:09Z)
• Hierarchical Graph Interaction Transformer with Dynamic Token Clustering for Camouflaged Object Detection [57.883265488038134]
  本稿では,HGINetと呼ばれる階層的なグラフ相互作用ネットワークを提案する。 このネットワークは、階層的トークン化機能間の効果的なグラフ相互作用を通じて、知覚不能なオブジェクトを発見することができる。 本実験は,既存の最先端手法と比較して,HGINetの優れた性能を示すものである。
  論文  参考訳（メタデータ） (2024-08-27T12:53:25Z)
• Frequency Perception Network for Camouflaged Object Detection [51.26386921922031]
  周波数領域のセマンティック階層によって駆動される新しい学習可能かつ分離可能な周波数知覚機構を提案する。 ネットワーク全体では、周波数誘導粗い局所化ステージと細部保存の微細局在化ステージを含む2段階モデルを採用している。 提案手法は,既存のモデルと比較して,3つのベンチマークデータセットにおいて競合性能を実現する。
  論文  参考訳（メタデータ） (2023-08-17T11:30:46Z)
• HiDAnet: RGB-D Salient Object Detection via Hierarchical Depth Awareness [2.341385717236931]
  本稿では,RGB-Dサリエンシ検出のための階層的深度認識ネットワーク(HiDAnet)を提案する。 我々のモチベーションは、幾何学的先行の多粒性特性がニューラルネットワーク階層とよく相関しているという観察から来ています。 当社のHiDAnetは最先端の手法よりも大きなマージンで良好に動作します。
  論文  参考訳（メタデータ） (2023-01-18T10:00:59Z)
• Fast Camouflaged Object Detection via Edge-based Reversible Re-calibration Network [17.538512222905087]
  本稿では,ERRNetと呼ばれるエッジベースの可逆再校正ネットワークを提案する。 Selective Edge Aggregation(SEA)とReversible Re-calibration Unit(RRU)の2つの革新的な設計が特徴である。 実験の結果,ERRNetは3つのCODデータセットと5つの医用画像セグメンテーションデータセットで既存の最先端ベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2021-11-05T02:03:54Z)
• Cross-layer Feature Pyramid Network for Salient Object Detection [102.20031050972429]
  本稿では,有能な物体検出における進行的融合を改善するために,新しいクロス層特徴ピラミッドネットワークを提案する。 レイヤごとの分散機能は、他のすべてのレイヤからセマンティクスと健全な詳細の両方を同時に所有し、重要な情報の損失を減らします。
  論文  参考訳（メタデータ） (2020-02-25T14:06:27Z)

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。