論文の概要: ReLeaf: Benchmarking Leaf Segmentation across Domains and Species
- arxiv url: http://arxiv.org/abs/2605.03784v1
- Date: Tue, 05 May 2026 14:11:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-06 19:35:43.963836
- Title: ReLeaf: Benchmarking Leaf Segmentation across Domains and Species
- Title（参考訳）: ReLeaf: ドメインと種間でのリーフセグメンテーションのベンチマーク
- Authors: Robert Martinko, Daniel Steininger, Julia Simon, Andreas Trondl, Matthias Blaickner,
- Abstract要約: 葉レベルセグメンテーションは、作物の健康、成長動態、収量電位、局所的なストレス症状を評価するために用いられる。
進歩は、特に種の範囲に関して、専用のデータセットの欠如によって制限されている。
そこで我々は,植物23種を対象に,選択したCropAndWeed画像の半自動アノテーションを用いて,葉面マスクを用いた新しいベンチマークデータセットを提案する。
既存の4つのデータセットでトレーニングされたモデルでは、対応するテストセット間で平均mAP50-95が83.9%、新しいベンチマークでは40.2%となる。
- 参考スコア（独自算出の注目度）: 2.446672595462589
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Rising global food demand and growing climate pressure increase the need for sustainable, precise agricultural practices. Automated, individualized plant treatment relies on fine-grained visual analysis, yet leaf-level segmentation remains underexplored despite its value for assessing crop health, growth dynamics, yield potential and localized stress symptoms. Progress is limited by a lack of dedicated datasets, especially regarding species coverage, and by the absence of systematic evaluations of modern instance-segmentation architectures for this task. We address these gaps by surveying current data and identifying four suitable, publicly available leaf-segmentation datasets. Using them, we compare one-stage, two-stage and Transformer-based detectors and identify a YOLO26 model configuration to provide the best trade-off for real-world precision-agriculture tasks. Extensive cross-domain generalization experiments reveal substantial performance drops across plant species and recording setups, especially for models trained solely on laboratory data. To strengthen data availability, we introduce a new benchmark dataset with leaf-level masks for 23 plant species, created via semi-automatic annotation of selected CropAndWeed images. A model trained on all four existing datasets achieves a mean mAP50-95 of 83.9% across their corresponding test sets and 40.2% on our new benchmark, demonstrating improved generalization and highlighting the need for diverse leaf-segmentation datasets in robust precision agriculture.
- Abstract（参考訳）: 世界の食料需要の増加と気候変動の増大により、持続可能な正確な農業慣行の必要性が高まっている。
自動化された個別化された植物処理は、きめ細かな視覚分析に依存しているが、葉のレベルでのセグメンテーションは、作物の健康、成長動態、収量ポテンシャル、局所的なストレス症状を評価する価値にもかかわらず、未発見のままである。
進歩は、特に種の範囲に関する専用のデータセットの欠如と、このタスクのための近代的なインスタンス分割アーキテクチャの体系的な評価の欠如によって制限されている。
これらのギャップに対処するために、現在のデータを調査し、利用可能な4つの葉分データセットを同定する。
それらを用いて、1段、2段、トランスフォーマーベースの検出器を比較し、YOLO26モデル構成を特定し、現実世界の精密養殖作業に最適なトレードオフを提供する。
広範囲にわたるクロスドメインの一般化実験は、特に実験室のデータにのみ訓練されたモデルにおいて、植物種間での大幅なパフォーマンス低下と記録設定を明らかにしている。
データ利用率を高めるため,選択したCropAndWeed画像の半自動アノテーションを用いて,23種の葉面を用いたベンチマークデータセットを新たに導入した。
4つの既存データセットでトレーニングされたモデルでは、対応するテストセットの平均mAP50-95が83.9%、新しいベンチマークで40.2%に達し、一般化の改善と、堅牢な精密農業における多様な葉分データセットの必要性を強調した。
関連論文リスト
- CropVLM: A Domain-Adapted Vision-Language Model for Open-Set Crop Analysis [0.0]
農業領域に適応した視覚言語モデルであるCropVLMについて,ドメイン特化セマンティックアライメント(DSSA)を用いて紹介する。
CropVLMは、自然条件下で37種をカバーする52,987個の手動で選択された画像キャプチャーペアで訓練されている。
CropVLMは、総合評価において、72.51%のゼロショット分類精度を達成し、7つのCLIPスタイルのベースラインを上回っている。
論文 参考訳（メタデータ） (2026-05-05T01:17:27Z) - DepthCropSeg++: Scaling a Crop Segmentation Foundation Model With Depth-Labeled Data [8.868203469534269]
DepthCropSeg++は作物のセグメンテーションの基礎モデルであり、オープンフィールド環境下で異なる作物種をセグメンテーションすることができる。
最先端のセマンティックセグメンテーションアーキテクチャであるViT-Adapterアーキテクチャを構築し、動的 UpAdapterアーキテクチャで拡張し、2段階の自己学習パイプラインでモデルをトレーニングする。
結果は、DepthCropSeg++が包括的なテストセットで93.11%のmoUを達成したことを示している。
論文 参考訳（メタデータ） (2026-01-18T11:51:09Z) - Vision Foundation Models in Agriculture: Toward Domain-Specific Adaptation for Weed Herbicide Trials Assessment [1.8430060563461854]
除草剤試験は、植物種の正確な同定と除草剤による損傷の評価を必要とする。
本研究では,除草剤の試薬評価に汎用的視覚基盤モデルを適用した。
大規模でキュレートされた農業データセットに対して、自己教師付き学習アプローチを用いてトレーニングされたモデルは、除草剤試薬画像に最適化されたリッチで移動可能な表現を学習する。
論文 参考訳（メタデータ） (2025-11-06T11:30:32Z) - 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) - GEO-Bench: Toward Foundation Models for Earth Monitoring [139.77907168809085]
6つの分類と6つのセグメンテーションタスクからなるベンチマークを提案する。
このベンチマークは、さまざまな地球観測タスクの進行の原動力となる。
論文 参考訳（メタデータ） (2023-06-06T16:16:05Z) - CWD30: A Comprehensive and Holistic Dataset for Crop Weed Recognition in
Precision Agriculture [1.64709990449384]
精密農業における作物雑草認識タスクに適した大規模・多種多様・包括的・階層的データセットであるCWD30データセットを提示する。
CWD30は20種の雑草と10種の高解像度画像を219,770枚以上、様々な成長段階、複数の視角、環境条件を含む。
データセットの階層的な分類は、きめ細かい分類を可能にし、より正確で堅牢で一般化可能なディープラーニングモデルの開発を促進する。
論文 参考訳（メタデータ） (2023-05-17T09:39:01Z) - Domain Generalization for Crop Segmentation with Standardized Ensemble Knowledge Distillation [42.39035033967183]
サービスロボットは、周囲を理解し、野生のターゲットを識別するリアルタイム認識システムが必要です。
しかし、既存の方法はしばしば、新しい作物や環境条件への一般化において不足している。
本稿では,知識蒸留を用いた領域一般化手法を提案する。
論文 参考訳（メタデータ） (2023-04-03T14:28:29Z) - Agave crop segmentation and maturity classification with deep learning
data-centric strategies using very high-resolution satellite imagery [101.18253437732933]
超高解像度衛星画像を用いたAgave tequilana Weber azul crop segmentation and mature classificationを提案する。
実世界の深層学習問題を,作物の選別という非常に具体的な文脈で解決する。
結果として得られた正確なモデルにより、大規模地域で生産予測を行うことができる。
論文 参考訳（メタデータ） (2023-03-21T03:15:29Z) - Two-View Fine-grained Classification of Plant Species [66.75915278733197]
本研究では,2視点の葉のイメージ表現に基づく新しい手法と,植物種の粒度認識のための階層的分類戦略を提案する。
シームズ畳み込みニューラルネットワークに基づく深度測定は、多数のトレーニングサンプルへの依存を減らし、新しい植物種に拡張性を持たせるために用いられる。
論文 参考訳（メタデータ） (2020-05-18T21:57:47Z) - Scalable learning for bridging the species gap in image-based plant
phenotyping [2.208242292882514]
ディープラーニング(データ収集、注釈付け、トレーニング)を適用する従来のパラダイムは、イメージベースの植物表現には適用できない。
データコストには、物理的サンプルの育成、イメージングとラベル付けが含まれる。
モデル性能は、各植物種のドメイン間の種間ギャップによって影響を受ける。
論文 参考訳（メタデータ） (2020-03-24T10:26:40Z)
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。