論文の概要: Learning Adversarial Augmentation Policies for Robust Garlic Seedling Detection
- arxiv url: http://arxiv.org/abs/2606.26828v1
- Date: Thu, 25 Jun 2026 10:08:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-26 18:46:32.232904
- Title: Learning Adversarial Augmentation Policies for Robust Garlic Seedling Detection
- Title（参考訳）: ロバストなニンニク苗検出のための学習支援策
- Abstract要約: 増量政策学習に基づく照度ロスト苗検出フレームワークを提案する。
提案手法はAP$_50$の91.6%を達成し、ベースラインを0.9ポイント改善する。
下流の苗のローカライゼーションでは、75.0%の精度と67.0%のF1スコアを達成し、ベースラインを4.8ポイント、2.0ポイント改善する。
- 参考スコア（独自算出の注目度）: 9.496377791237425
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate seedling detection during early growth stages is essential for timely replanting and effective crop management in precision agriculture. However, existing studies are mostly evaluated under relatively stable imaging conditions, such as UAV imagery or greenhouse environments, leaving robust detection under severe and spatially heterogeneous illumination in ground-based outdoor monitoring insufficiently explored. In addition, many illumination-robust detection methods rely on additional enhancement or feature-extraction modules, which increase inference-time overhead and are not tailored to seedling detection and downstream missing seedling localization. To address these gaps, we construct a new garlic seedling dataset captured using a ground-based monitoring platform under real outdoor field conditions with highly variable illumination. We further propose an illumination-robust seedling detection framework based on adversarial augmentation policy learning. The proposed method jointly optimizes a stochastic augmentation policy agent and an object detector, enabling the detector to learn robust representations under challenging visual conditions. A structural penalty is introduced to prevent unrealistic distortions while encouraging challenging augmentations during training. Extensive experiments show that the proposed approach achieves an AP$_{50}$ of 91.6%, improving the baseline by 0.9 percentage points and outperforming the previous best-performing method by 0.2 percentage points. For downstream missing seedling localization, it achieves 75.0% precision and a 67.0% F1-score, improving the baseline by 4.8 and 2.0 percentage points, respectively. These results demonstrate the effectiveness of the proposed framework for practical ground-based agricultural monitoring under complex outdoor lighting conditions without additional inference-time computational overhead.
- Abstract（参考訳）: 早生期の正確な苗検出は、精密農業におけるタイムリーな再植と効果的な作物管理に不可欠である。
しかし、既存の研究は、UAV画像や温室環境などの比較的安定した撮像条件下で評価され、地上での屋外監視では、厳密で空間的に不均一な照明下で頑健な検出が不十分である。
さらに、多くの照明汚染検出法は追加の強化や特徴抽出モジュールに依存しており、これは推論時間オーバーヘッドを増大させ、苗検出や下流の苗の局所化に適さない。
これらのギャップに対処するため,高可変照明による実屋外環境下での接地型モニタリングプラットフォームを用いて,新たなニンニク実生データセットを構築した。
さらに, 対向的増進政策学習に基づく照度ロスト苗検出フレームワークを提案する。
提案手法は,確率的拡張ポリシーエージェントと物体検出器を協調的に最適化することにより,難易度の高い視覚条件下で頑健な表現を学習することを可能にする。
構造的なペナルティは非現実的な歪みを防ぐために導入され、トレーニング中に挑戦的な増強を奨励する。
実験の結果,提案手法はAP$_{50}$ 91.6%を達成し,ベースラインを0.9ポイント改善し,従来の最高性能法よりも0.2ポイント向上した。
下流の苗のローカライゼーションでは、75.0%の精度と67.0%のF1スコアを達成し、ベースラインをそれぞれ4.8ポイント、2.0ポイント改善する。
これらの結果から, 複雑な屋外照明環境下での地中農業モニタリングのためのフレームワークの有効性が示唆された。
関連論文リスト
- SAFE-Pruner: Semantic Attention-Guided Future-Aware Token Pruning for Efficient Vision-Language-Action Manipulation [71.91583446135651]
SAFE-Prunerはプラグアンドプレイのプルーニングフレームワークで、将来のレイヤーの注意手順をプルーニング決定に組み込む。
本手法は成功率を1.7%以下に抑えながら最大1.89倍の高速化を実現し,最先端の手法を最大1.9%向上させることを示した。
論文 参考訳（メタデータ） (2026-05-28T09:23:08Z) - Uncertainty-Aware Wildfire Smoke Density Classification from Satellite Imagery via CBAM-Augmented EfficientNet with Evidential Deep Learning [0.0]
本稿では,衛星パッチを軽度,中等度,重度に分類する確率的枠組みを提案する。
明らかな深層学習ヘッドを持つCBAMモジュールはディリクレ濃度パラメータを予測し、モンテカルロサンプリングなしで空き度と不協和度を直接推定する。
我々のアーキテクチャは,ディリクレ濃度パラメータを推定する明らかな深層学習ヘッドを備えた,訓練済みのEfficientNet-B3モジュールとCBAMモジュールのバックボーンを使用する。
論文 参考訳（メタデータ） (2026-05-15T12:22:38Z) - BadCLIP++: Stealthy and Persistent Backdoors in Multimodal Contrastive Learning [73.46118996284888]
マルチモーダル・コントラスト学習モデルに対するバックドア攻撃の研究は、ステルスネスと永続性という2つの大きな課題に直面している。
両課題に対処する統合フレームワークであるBadCLIP++を提案する。
ステルスネスのために,タスク関連領域付近に知覚不可能なパターンを埋め込むセマンティックフュージョンQRマイクロトリガーを導入する。
持続性については、半径縮小とセントロイドアライメントによるトリガ埋め込みを安定化する。
論文 参考訳（メタデータ） (2026-02-19T08:31:16Z) - RoSe: Robust Self-supervised Stereo Matching under Adverse Weather Conditions [58.37558408672509]
本稿では,ロバストな自己監督型環境対応学習と悪天候蒸留という2つの重要なステップからなる,堅牢な自己監督型訓練パラダイムを提案する。
提案手法の有効性と汎用性を実証し,既存の最先端の自己管理手法より優れていることを示す。
論文 参考訳（メタデータ） (2025-09-23T15:41:40Z) - Weed Detection in Challenging Field Conditions: A Semi-Supervised Framework for Overcoming Shadow Bias and Data Scarcity [7.019137213828947]
本研究は、診断駆動型半教師付きフレームワークにより、両方の問題に取り組む。
我々は、サトウキビのギニアグラスのラベル付き画像に約975枚と1万枚をラベル付けしたユニークなデータセットを使用します。
我々の研究は、堅牢なコンピュータビジョンシステムの開発、診断、改善のための明確でフィールドテストされたフレームワークを提供する。
論文 参考訳（メタデータ） (2025-08-27T01:55:47Z) - Fourier Domain Adaptation for Traffic Light Detection in Adverse Weather [1.1411980034550504]
悪天候下での交通光検出は、ADASシステムでは未発見のままである。
本稿では、アーキテクチャの変更なしにデータ修正をトレーニングすることのみを必要とするフーリエドメイン適応(FDA)を提案する。
FDAは、ソースとターゲットドメイン間のドメインギャップを最小化し、悪天候下で信頼性の高いパフォーマンスのためのデータセットを作成する。
論文 参考訳（メタデータ） (2024-11-12T16:15:25Z) - Manifold Sampling for Differentiable Uncertainty in Radiance Fields [82.17927517146929]
本稿では,ガウス放射場を明示的かつきめ細かい不確実性推定で学習するための多元的アプローチを提案する。
次回のベクター・ビュー・プランニング・タスクにおける最先端のパフォーマンスを実演する。
論文 参考訳（メタデータ） (2024-09-19T11:22:20Z) - An Autonomous Drone Swarm for Detecting and Tracking Anomalies among Dense Vegetation [3.6394530599964026]
ドローンの群れは、密集した目標を事実上検出し、追跡することができることを示す。
6機のドローンによる実生活実験で、平均位置精度は0.39m、平均精度は93.2%に達した。
合成開口画像統合プロセスにセンサノイズを効果的に組み込むことができることを示す。
論文 参考訳（メタデータ） (2024-07-15T14:31:21Z) - Enhancing Lidar-based Object Detection in Adverse Weather using Offset
Sequences in Time [1.1725016312484975]
ライダーによる物体検出は、雨や霧などの悪天候の影響を著しく受けている。
本研究は,ライダーによる物体検出の信頼性に対する悪天候の影響を緩和する有効な方法の総合的研究である。
論文 参考訳（メタデータ） (2024-01-17T08:31:58Z) - View Consistent Purification for Accurate Cross-View Localization [59.48131378244399]
本稿では,屋外ロボットのための微細な自己局在化手法を提案する。
提案手法は,既存のクロスビューローカライゼーション手法の限界に対処する。
これは、動的環境における知覚を増強する初めての疎視のみの手法である。
論文 参考訳（メタデータ） (2023-08-16T02:51:52Z) - 6D Camera Relocalization in Visually Ambiguous Extreme Environments [79.68352435957266]
本研究では,深海や地球外地形などの極端な環境下で得られた画像の列から,カメラのポーズを確実に推定する手法を提案する。
本手法は,室内ベンチマーク (7-Scenes データセット) における最先端手法と同等の性能を20%のトレーニングデータで達成する。
論文 参考訳（メタデータ） (2022-07-13T16:40:02Z)
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。