論文の概要: USU-Corn-WeedDB: A UAV RGB Image Dataset for Multi-Species Weed Detection in Forage Corn
- arxiv url: http://arxiv.org/abs/2606.06709v1
- Date: Thu, 04 Jun 2026 20:51:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-08 14:33:29.442724
- Title: USU-Corn-WeedDB: A UAV RGB Image Dataset for Multi-Species Weed Detection in Forage Corn
- Title（参考訳）: USU-Corn-WeedDB:多種雑草検出のためのUAV RGBイメージデータセット
- Authors: Utsav Bhandari, Saroj Burlakoti, Rhonda Miller, Sierra Young, Eric Westra, Aaron Etienne,
- Abstract要約: USU-Corn-WeedDBはユタ州キャッシュバレーの商業用飼料トウモロコシ畑から収集されたUAV RGBイメージデータセットである。
Redroot pigweedは53.86%のアノテーション付きインスタンスを構成しており、これは故意に実地条件を反映するために保存された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Weed pressure in forage corn production causes yield losses of up to 31.5%, yet site-specific weed management (SSWM) systems built on UAV imagery and deep learning remain constrained by the scarcity of field-representative training datasets. We present USU-Corn-WeedDB, a publicly available UAV RGB image dataset collected from a commercial forage corn field in Cache Valley, Utah, designed to support multi-class weed detection under both supervised and semi-supervised learning frameworks. RGB imagery was acquired on 27 June 2025 using an Autel EVO II Dual 640T V2 drone at ~10m above ground level, yielding a ground sampling distance of approximately 0.48 cm/pixel. A total of 366 full-resolution images were tiled into 8,800 patches at 640 x 640-pixel resolution. Of these, 800 images were manually annotated for three weed species; common lambsquarters (Chenopodium album), redroot pigweed (Amaranthus retroflexus), and green foxtail (Setaria viridis) comprising 10,539 bounding-box instances, with the remaining 8,000 tiles retained as an unlabeled pool for semi-supervised experiments. This dataset reflects a natural class imbalance where redroot pigweed constitutes 53.86% of annotated instances, which was preserved intentionally to mirror real field conditions. To validate dataset utility, we trained 28 object detection models spanning five architecture families including YOLOv8, YOLOv9, YOLOv10, YOLO11, YOLO26, and RT-DETR under identical conditions without hyperparameter tuning. Test set mAP@0.5 ranged from 0.773 to 0.840, with lightweight models achieving competitive performance relevant to edge-deployed UAV systems. USU-Corn-WeedDB is publicly available at https://doi.org/10.5281/zenodo.20044178.
- Abstract（参考訳）: 飼料トウモロコシ生産における雑草の圧力は、最大31.5%の収量損失を引き起こすが、UAV画像上に構築されたサイト固有の雑草管理(SSWM)システムと深層学習は、フィールド表現型トレーニングデータセットの不足によって制限されている。
本稿では,ユタ州キャッシュバレーの商業用飼料トウモロコシ畑から収集したUAV RGBイメージデータセットであるUSU-Corn-WeedDBについて述べる。
RGB画像は2025年6月27日にAutel EVO II Dual 640T V2ドローンを用いて地上高度約10mで取得された。
合計366枚のフル解像度画像は、解像度640 x 640ピクセルで8,800枚のパッチにタイル付けされた。
そのうち800枚の画像は3種の雑草に対して手動で注釈付けされ、そのうちの800枚はコモン・ラムズクォート(Chenopodium album)、レッドルート・ピッグウィード(Amaranthus retroflexus)、グリーン・キツネザル(Setaria viridis)で、10,539個のバウンディングボックスのインスタンスから構成され、残りの8000枚のタイルは半監督実験用の未ラベルプールとして保存された。
このデータセットは、赤根豚が53.86%の注釈付きインスタンスを構成する自然階級の不均衡を反映している。
データセットの有用性を検証するため、ハイパーパラメータチューニングなしで同じ条件下で、YOLOv8, YOLOv9, YOLOv10, YOLO11, YOLO26, RT-DETRを含む5つのアーキテクチャファミリにまたがる28のオブジェクト検出モデルを訓練した。
テストセット mAP@0.5 は 0.773 から 0.840 まで変化し、軽量モデルはエッジ展開された UAV システムに関連する競争性能を達成した。
USU-Corn-WeedDBはhttps://doi.org/10.5281/zenodo. 20044178で公開されている。
関連論文リスト
- Towards UAV Detection in the Real World: A New Multispectral Dataset UAVNet-MS and a New Method [80.50361258830928]
UAVNet-MSは、微小UAV検出のための最初のマルチスペクトルデータセットである。
本稿では、アレイ誘起パララックスと空間-スペクトル融合に対処するデュアルストリームベースラインであるMFDNetを提案する。
この研究は、基礎的なデータセット、強力なベースライン、マルチスペクトルUAV監視研究のためのベンチマークを提供する。
論文 参考訳（メタデータ） (2026-05-20T09:49:04Z) - Paired-CSLiDAR: Height-Stratified Registration for Cross-Source Aerial-Ground LiDAR Pose Refinement [46.13526676100776]
Paired-CSLiDAR(英語版)は、シングルスキャンポーズリファインメントのためのクロスソース空地LiDARベンチマークである。
このベンチマークには6つの評価サイトで12,683組の地上空対が含まれている。
本稿では,RGSR(Residual-Guided Stratified Registration)を提案する。
論文 参考訳（メタデータ） (2026-05-01T13:14:20Z) - BAWSeg: A UAV Multispectral Benchmark for Barley Weed Segmentation [31.004130414489698]
そこで本研究では,2ストリーム分割ネットワークをネイティブ解像度で,放射能キューと正規化インデックスキューとを融合する。
植生インデックスとスペクトルアテンションは、植生インデックスマップの窓付き自己アテンションで動作する。
植生指数と分光アテンションは75.6%のmIoUと63.5%の雑草IoUを22.8Mパラメータで達成し、多スペクトルのSegFormer-B1ベースラインを1.2mIoUと1.9の雑草IoUで上回っている。
論文 参考訳（メタデータ） (2026-03-02T14:49:05Z) - MUOT_3M: A 3 Million Frame Multimodal Underwater Benchmark and the MUTrack Tracking Method [49.121704780656366]
水中物体追跡(UOT)は、効率的な海洋ロボティクス、大規模な生態モニタリング、海洋探査に不可欠である。
既存のベンチマークは小さく、RGBのみであり、厳密な色歪み、濁度、視界の低い条件下での堅牢性を制限する。
MUOT_3Mは,32のトラッキング属性,677のきめ細かいクラス,同期RGBを付加した3,030ビデオ(27.8h)の300万フレームからなる,最初の擬似マルチモーダル UOT ベンチマークである。
MUTrack, SAM-based multimodal to unimodal trackerを提案する。
論文 参考訳（メタデータ） (2026-02-20T05:43:47Z) - A Comprehensive Evaluation of YOLO-based Deer Detection Performance on Edge Devices [6.486957474966142]
鹿の侵入による農業の経済的損失は、アメリカで毎年数億ドルに上っていると推定され、伝統的な緩和戦略の不適切さを浮き彫りにした。
このことは、リアルタイムの鹿検出と抑止能力を持つインテリジェントで自律的なソリューションに対する重要なニーズを浮き彫りにしている。
本研究では,シカ検出のための最先端深層学習モデルの総合的評価を行う。
論文 参考訳（メタデータ） (2025-09-24T17:01:50Z) - Semi-Supervised Weed Detection in Vegetable Fields: In-domain and Cross-domain Experiments [5.840507501444088]
本研究では,未ラベルデータを利用した半教師付きオブジェクト検出(SSOD)手法を提案する。
既存の3つのフレームワークを含む4つのSSOD法の比較実験を行った。
YOLOv8をベースとしたWeedTeacherは4つの手法の中で最も精度が高く、2.6%のmAP@50と3.1%のmAP@50:95を教師付きベースラインで改善した。
論文 参考訳（メタデータ） (2025-02-24T21:39:47Z) - Assessing the Capability of YOLO- and Transformer-based Object Detectors for Real-time Weed Detection [0.0]
YOLOv8, YOLOv9, YOLOv10, RT-DETRのすべての利用可能なモデルは、実地状況の画像を用いて訓練され、評価される。
その結果、評価された指標では、全てのモデルが等しくよく機能するのに対し、YOLOv9モデルは強いリコールスコアの点で際立っていることがわかった。
RT-DETRモデル、特にRT-DETR-lは、データセット1では82.44 %、データセット2では81.46 %の精度で優れている。
論文 参考訳（メタデータ） (2025-01-29T02:39:57Z) - Ultra-low Power Deep Learning-based Monocular Relative Localization
Onboard Nano-quadrotors [64.68349896377629]
この研究は、2つのピアナノドロンのディープニューラルネットワーク(DNN)を介して、単分子の相対的な局所化に対処する、新しい自律的なエンドツーエンドシステムを示す。
超制約ナノドローンプラットフォームに対処するため,データセットの増大,量子化,システム最適化などを含む垂直統合フレームワークを提案する。
実験の結果,DNNは低分解能モノクローム画像のみを用いて最大2mの距離で10cmのターゲットナノドローンを正確に局在させることができることがわかった。
論文 参考訳（メタデータ） (2023-03-03T14:14:08Z) - End-to-end deep learning for directly estimating grape yield from
ground-based imagery [53.086864957064876]
本研究は, ブドウ畑の収量推定に深層学習と併用した近位画像の応用を実証する。
オブジェクト検出、CNN回帰、トランスフォーマーモデルという3つのモデルアーキテクチャがテストされた。
本研究は,ブドウの収量予測における近位画像と深層学習の適用性を示した。
論文 参考訳（メタデータ） (2022-08-04T01:34:46Z) - Deep-CNN based Robotic Multi-Class Under-Canopy Weed Control in
Precision Farming [2.6085535710135654]
リアルタイム多クラス雑草識別は雑草の種特異的な処理を可能にし、除草剤の使用量を著しく減少させる。
本稿では,5つのベンチマークCNNモデルを用いた分類性能のベースラインを提案する。
我々はMobileNetV2を、リアルタイム雑草検出のためのコンパクトな自律ロボットTextitSAMBotにデプロイする。
論文 参考訳（メタデータ） (2021-12-28T03:51:55Z) - A CNN Approach to Simultaneously Count Plants and Detect Plantation-Rows
from UAV Imagery [56.10033255997329]
畳み込みニューラルネットワーク(CNN)を用いた新しい深層学習手法を提案する。
高度に乾燥したプランテーション構成を考慮した植物を数えながら、同時にプランテーション・ロウを検出し、配置する。
提案手法は、異なる種類の作物のUAV画像において、植物と植物をカウントおよびジオロケートするための最先端の性能を達成した。
論文 参考訳（メタデータ） (2020-12-31T18:51:17Z)
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。