論文の概要: Towards Robust Deep Learning-based Rumex Obtusifolius Detection from Drone Images

• arxiv url: http://arxiv.org/abs/2604.25316v1
• Date: Tue, 28 Apr 2026 07:26:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-29 16:49:17.757845
• Title: Towards Robust Deep Learning-based Rumex Obtusifolius Detection from Drone Images
• Title（参考訳）: ドローン画像からのロバストな深層学習に基づくRumex Obtusifolius検出に向けて
• Authors: Fabian Dionys Schrag, Mehmet Ozgur Turkoglu, Konrad Schindler, Ralph Lukas Stoop,
• Abstract要約: ドメイン適応(DA)は、ソースドメインでトレーニングされた機械学習モデルを、異なるデータ分散を持つターゲットドメインに転送するという課題に対処する。 本研究では,Rumex obtusifolius(Rumex)画像分類のタスクにおけるDAについて検討する。 草地システムにおける雑草検出のためのDAのさらなる研究を支援するため,UAVをベースとしたターゲットデータセット AGSMultiRumex を公開している。
• 参考スコア（独自算出の注目度）: 21.277200767179355
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Domain adaptation (DA) addresses the challenge of transferring a machine learning model trained on a source domain to a target domain with a different data distribution. In this work, we study DA for the task of Rumex obtusifolius (Rumex) image classification. We train models on a published, ground vehicle-based dataset (source) and evaluate their performance on a custom target dataset acquired by unmanned aerial vehicles (UAVs). We find that Convolutional Neural Network (CNN) models, specifically ResNets, generalize poorly to the target domain, even after fine-tuning on the source data. Applying moment-matching and maximum classifier discrepancy, two established DA techniques, substantially improves target-domain performance. However, Vision Transformer (ViT) models pretrained with self-supervised objectives (DINOv2, DINOv3) handle domain shifts intrinsically well, surpassing even moment-matching-trained ResNets, likely due to the rich, general-purpose representations acquired during large-scale pretraining. Using ViTs fine-tuned on the source dataset, we demonstrate high classification performances in the range of F1=0.8 on our target dataset. To support further research on DA for weed detection in grassland systems, we publicly release our UAV-based target dataset AGSMultiRumex, comprising data from 15 flights over Swiss meadows.
• Abstract（参考訳）: ドメイン適応(DA)は、ソースドメインでトレーニングされた機械学習モデルを、異なるデータ分散を持つターゲットドメインに転送するという課題に対処する。 本研究では,Rumex obtusifolius(Rumex)画像分類のタスクにおけるDAについて検討する。 我々は、公開されている地上車両ベースのデータセット(ソース)でモデルをトレーニングし、無人航空機(UAV)が取得したカスタムターゲットデータセットでそれらの性能を評価する。 我々は、ソースデータを微調整した後でも、畳み込みニューラルネットワーク(CNN)モデル、具体的にはResNetsがターゲットドメインに悪影響を及ぼすことを発見した。 モーメントマッチングと最大分類器の相違を応用し、2つの確立されたDA技術により、ターゲットドメインの性能が大幅に向上する。 しかし、自己教師対象(DINOv2, DINOv3)で事前訓練されたビジョントランスフォーマー(ViT)モデルはドメインシフトを本質的にうまく処理し、大規模な事前訓練中に取得されたリッチで汎用的な表現のために、モーメントマッチングトレーニングされたResNetを超越している。 ソースデータセットを微調整したViTを用いて、ターゲットデータセット上でF1=0.8の範囲で高い分類性能を示す。 草地システムにおける雑草検出のためのDAのさらなる研究を支援するため、我々はUAVベースのターゲットデータセット AGSMultiRumex を公開し、スイスの牧草地で15回の飛行からのデータを収集した。

関連論文リスト

• CNN Feature Map Augmentation for Single-Source Domain Generalization [6.053629733936548]
  ドメイン・ジェネリゼーション(DG)はここ数年で大きな注目を集めている。 DGの目標は、トレーニング中に利用可能なものと異なるデータ分散を提示した場合、引き続き正常に機能するモデルを作成することだ。 単一ソースDG画像分類設定における畳み込みニューラルネットワークアーキテクチャの代替正則化手法を提案する。
  論文  参考訳（メタデータ） (2023-05-26T08:48:17Z)
• Cross-Domain Video Anomaly Detection without Target Domain Adaptation [38.823721272155616]
  ビデオ異常検出(VAD)作業は、ソースからターゲットドメインへの適応のために、少なくともタスク関連ターゲットドメイントレーニングデータが利用可能なことを前提としている。 このためには、最初から動作するシステムを好むエンドユーザによる厳格なモデルチューニングが必要です。
  論文  参考訳（メタデータ） (2022-12-14T03:48:00Z)
• Instance Relation Graph Guided Source-Free Domain Adaptive Object Detection [79.89082006155135]
  教師なしドメイン適応(Unsupervised Domain Adaptation, UDA)は、ドメインシフトの問題に取り組むための効果的なアプローチである。 UDAメソッドは、ターゲットドメインの一般化を改善するために、ソースとターゲット表現を整列させようとする。 Source-Free Adaptation Domain (SFDA)設定は、ソースデータへのアクセスを必要とせずに、ターゲットドメインに対してソーストレーニングされたモデルを適用することで、これらの懸念を軽減することを目的としている。
  論文  参考訳（メタデータ） (2022-03-29T17:50:43Z)
• DANNTe: a case study of a turbo-machinery sensor virtualization under domain shift [0.0]
  ドメイン適応(DA)時系列回帰タスク(DANNTe)に取り組むための逆学習法を提案する。 このレグレッションは、ガスタービンに搭載されたセンサーの仮想コピーを構築することを目的としており、特定の状況で欠落する可能性がある物理的なセンサーの代わりに使用される。 ソースドメインでのみトレーニングされたベースラインモデルと比較して,回帰性能が大幅に向上したことを報告した。
  論文  参考訳（メタデータ） (2022-01-11T09:24:33Z)
• Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D Object Detection [85.11649974840758]
  3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。 そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
  論文  参考訳（メタデータ） (2021-11-30T18:42:42Z)
• Self-Supervised Pre-Training for Transformer-Based Person Re-Identification [54.55281692768765]
  トランスフォーマーに基づく教師付き事前訓練は、人物再識別(ReID)において大きなパフォーマンスを達成する ImageNetとReIDデータセットのドメインギャップのため、通常、パフォーマンスを高めるために、より大きなトレーニング済みデータセットが必要です。 この研究は、データとモデル構造の観点から、事前トレーニングデータセットとReIDデータセットのギャップを軽減することを目的としている。
  論文  参考訳（メタデータ） (2021-11-23T18:59:08Z)
• Stagewise Unsupervised Domain Adaptation with Adversarial Self-Training for Road Segmentation of Remote Sensing Images [93.50240389540252]
  リモートセンシング画像からの道路セグメンテーションは、幅広い応用可能性を持つ課題である。 本稿では,この領域における領域シフト(DS)問題に対処するため,RoadDAと呼ばれる新たな段階的ドメイン適応モデルを提案する。 2つのベンチマーク実験の結果、RoadDAはドメインギャップを効率的に減らし、最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2021-08-28T09:29:14Z)
• Transformer-Based Source-Free Domain Adaptation [134.67078085569017]
  本研究では,ソースフリードメイン適応(SFDA)の課題について検討する。 我々は、FDAの一般化モデルを学ぶためのTransformer(TransDA)という、汎用的で効果的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-05-28T23:06:26Z)
• A Bayesian-inspired, deep learning-based, semi-supervised domain adaptation technique for land cover mapping [4.167265971166947]
  Sourcererは、SITSデータから土地被覆マップを作成するための半教師付きDA技術である。 ソースドメインでトレーニングされた畳み込みニューラルネットワークを使用して、利用可能なターゲットドメインをさらにトレーニングする。 Sourcererは、利用可能なラベル付きターゲットデータに対して、他のすべてのメソッドよりも優れています。
  論文  参考訳（メタデータ） (2020-05-25T05:36:50Z)

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。