論文の概要: Comparative Evaluation of Convolutional and Transformer-Based Detectors for Automated Weed Detection in Precision Agriculture
- arxiv url: http://arxiv.org/abs/2605.00908v1
- Date: Wed, 29 Apr 2026 08:23:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-05 20:33:49.473296
- Title: Comparative Evaluation of Convolutional and Transformer-Based Detectors for Automated Weed Detection in Precision Agriculture
- Title（参考訳）: 精密農業における自動雑草検出のための変圧器と変圧器を用いた検出器の比較評価
- Authors: Alcides Toledo Espinosa, Gerardo Antonio Álvarez Hernández, Ángel Eduardo Zamora-Suárez, Miguel Bolaños, Juan Irving Vásquez,
- Abstract要約: 本稿では,畳み込み型および変圧器型オブジェクト検出アーキテクチャの比較評価を行う。
その結果、効率性とコンテキストモデリングの間に明確なトレードオフが浮かび上がっています。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper presents a comparative evaluation of convolutional and transformer-based object detection architectures for early weed detection in realistic scenarios. Representative models from each paradigm are considered, including YOLOv26-nano, a recent variant of the YOLO family, and transformer-based approaches such as RTDETR and RF-DETR. Experiments were conducted on the GROUNDBASED_ WEED dataset, allowing performance to be evaluated in terms of detection accuracy and computational efficiency using metrics such as precision, recall, average precision, and inference speed. The results highlight a clear trade-off between efficiency and contextual modeling: CNN-based detectors achieve high performance at a lower computational cost, while transformer-based approaches offer better global context capture at the expense of higher resource demands. These results provide practical criteria for model selection in precision agriculture applications.
- Abstract（参考訳）: 本稿では,現実シナリオにおける早期雑草検出のための畳み込み型および変圧器型オブジェクト検出アーキテクチャの比較評価を行う。
各パラダイムの代表的なモデルは、最近のYOLOファミリーであるYOLOv26-nanoやRTDETRやRF-DETRといったトランスフォーマーベースのアプローチである。
GROUNDBASED_ WEEDデータセットを用いて実験を行い、精度、リコール、平均精度、推論速度などの指標を用いて、検出精度と計算効率の観点から性能を評価することができた。
CNNベースの検出器はより低い計算コストで高い性能を達成する一方、トランスフォーマーベースのアプローチは、より高いリソース要求を犠牲にして、より優れたグローバルなコンテキストキャプチャを提供する。
これらの結果は,精密農業におけるモデル選択の実践的基準を提供する。
関連論文リスト
- A Benchmark Study of Segmentation Models and Adaptation Strategies for Landslide Detection from Satellite Imagery [6.439624950887985]
衛星画像からの地すべり検出は災害対応とリスク評価にとって重要な課題である。
現代のセグメンテーションアーキテクチャの相対的効果とこの問題に対する微調整戦略は未だ十分に理解されていない。
本稿では,畳み込みニューラルネットワーク,トランスフォーマーベースセグメンテーションモデル,地すべり検出のための大規模事前学習基盤モデルについて,系統的なベンチマーク研究を行う。
論文 参考訳（メタデータ） (2026-04-17T19:45:38Z) - A Hybrid CNN-ViT-GNN Framework with GAN-Based Augmentation for Intelligent Weed Detection in Precision Agriculture [0.0]
本稿では,雑草検出のためのハイブリッドディープラーニングフレームワークのレシピを提案する。
クラスロバスト性をバランスさせ,モデルの一般化を図るため,GANに基づく拡張手法が導入された。
実験結果は、99.33%の精度、精度、リコール、マルチベンチマークデータセット上のF1スコアで優れた結果が得られる。
論文 参考訳（メタデータ） (2025-11-19T15:32:08Z) - GPU Memory Requirement Prediction for Deep Learning Task Based on Bidirectional Gated Recurrent Unit Optimization Transformer [6.443211386140362]
本稿では,双方向ゲートリカレントユニット(BiGRU)を統合し,トランスフォーマーアーキテクチャを最適化するディープラーニングモデルを提案する。
平均絶対誤差(MAE)と決定係数(R2)の指標では、モデルも良好に動作し、結果はバランスよく安定している。
予測精度は従来の機械学習手法に比べて大幅に改善されている。
論文 参考訳（メタデータ） (2025-10-23T20:20:35Z) - Efficient Toxicity Detection in Gaming Chats: A Comparative Study of Embeddings, Fine-Tuned Transformers and LLMs [0.18907108368038214]
本稿では,オンラインゲームチャットにおける毒性の自動検出のための自然言語処理(NLP)手法の比較分析を行う。
埋め込みを伴う従来の機械学習モデル、大型言語モデル(LLM)、ゼロショットおよび少数ショットプロンプト、微調整トランスフォーマーモデル、検索拡張生成アプローチの評価を行う。
この結果は,動的オンラインゲーム環境において,費用対効果の高い効率的なコンテンツモデレーションシステムを展開するための実証的な証拠を提供する。
論文 参考訳（メタデータ） (2025-10-20T08:03:28Z) - Predictive Analytics of Varieties of Potatoes [2.336821989135698]
本研究では, 育種試験におけるサツマイモクローンの選択プロセスの向上を目的とした, 機械学習アルゴリズムの適用について検討する。
本研究は, 高収率, 耐病性, 耐気候性ポテト品種を効率的に同定することの課題に対処する。
論文 参考訳（メタデータ） (2024-04-04T00:49:05Z) - Efficient Transferability Assessment for Selection of Pre-trained Detectors [63.21514888618542]
本稿では,事前学習対象検出器の効率的な伝達性評価について検討する。
我々は、事前訓練された検出器の大規模で多様な動物園を含む検出器転送性ベンチマークを構築した。
実験により,本手法は伝達性の評価において,他の最先端手法よりも優れていることが示された。
論文 参考訳（メタデータ） (2024-03-14T14:23:23Z) - Consensus-Adaptive RANSAC [104.87576373187426]
本稿では,パラメータ空間の探索を学習する新しいRANSACフレームワークを提案する。
注意機構は、ポイント・ツー・モデル残差のバッチで動作し、軽量のワンステップ・トランスフォーマーで見いだされたコンセンサスを考慮するために、ポイント・ツー・モデル推定状態を更新する。
論文 参考訳（メタデータ） (2023-07-26T08:25:46Z) - Revisiting the Evaluation of Image Synthesis with GANs [55.72247435112475]
本研究では, 合成性能の評価に関する実証的研究を行い, 生成モデルの代表としてGAN(Generative Adversarial Network)を用いた。
特に、表現空間におけるデータポイントの表現方法、選択したサンプルを用いた公平距離の計算方法、各集合から使用可能なインスタンス数など、さまざまな要素の詳細な分析を行う。
論文 参考訳（メタデータ） (2023-04-04T17:54:32Z) - Transformer-based approaches to Sentiment Detection [55.41644538483948]
テキスト分類のための4種類の最先端変圧器モデルの性能について検討した。
RoBERTa変換モデルは82.6%のスコアでテストデータセット上で最高のパフォーマンスを示し、品質予測に非常に推奨されている。
論文 参考訳（メタデータ） (2023-03-13T17:12:03Z) - Listen, Adapt, Better WER: Source-free Single-utterance Test-time
Adaptation for Automatic Speech Recognition [65.84978547406753]
Test-time Adaptationは、ソースドメインでトレーニングされたモデルに適応して、テストサンプルの予測を改善することを目的としている。
単一発話テスト時間適応 (SUTA) は音声領域における最初のTTA研究である。
論文 参考訳（メタデータ） (2022-03-27T06:38:39Z) - Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。
本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。
本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
論文 参考訳（メタデータ） (2022-01-11T23:01:12Z)
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。