論文の概要: Combining Object Detection with Geometry-Aware Clustering to Distinguish Overlapping Plants in UAV Imagery

• arxiv url: http://arxiv.org/abs/2609.21304v1
• Date: Fri, 18 Sep 2026 04:25:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:16.855724
• Title: Combining Object Detection with Geometry-Aware Clustering to Distinguish Overlapping Plants in UAV Imagery
• Title（参考訳）: UAV画像における物体検出と幾何学的クラスタリングの併用による重なり合う植物の識別
• Abstract要約: 密集した作物のキャノピーでは、隣接する植物がしばしば重なり、単一の対象として検出され、植物レベルの測定の信頼性が低下する。 本研究は、標準RGB UAV画像を用いた重なり合う植物インスタンスの探索のための幾何認識後検出フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.5545791216381869
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reliable plant-level information from unmanned aerial vehicle (UAV) imagery is important for automated crop monitoring. However, in dense crop canopies, adjacent plants frequently overlap and are detected as a single object, reducing the reliability of plant-level measurements. This study presents a geometry-aware post-detection framework for resolving overlapping plant instances using standard RGB UAV imagery. The framework combines object detection with geometric clustering of plant components. Leaves or branches detected within each bush-level region are represented using two complementary geometric features: component centroids and radial intersection points (RIPs) derived from detected plant structures. K-means and Gaussian mixture models determine whether a detected region contains a single plant or two overlapping plants. Density filtering suppresses spurious radial intersections, and a post-pipeline ensemble combines spatial and directional geometric information. The framework was evaluated using UAV imagery of eggplant and tomato crops under field conditions. Centroid-based clustering achieved an F1-score of 0.89 for eggplant, while the combined centroid-RIP approach achieved the best tomato performance, with an accuracy of 0.80, precision of 1.00, and F1-score of 0.75 using K-means. Density filtering substantially improved RIP-based clustering for tomato. The proposed approach provides a lightweight, modular engineering solution that can be integrated with existing RGB UAV monitoring pipelines without additional depth sensors, pixel-level segmentation, three-dimensional reconstruction, or retraining of the primary bush detector. The results demonstrate that geometric reasoning applied to existing detector outputs can complement deep-learning-based object detection and improve plant-level interpretation in dense agricultural canopies.
• Abstract（参考訳）: 無人航空機(UAV)画像からの信頼性の高い植物レベルの情報は、自動作物モニタリングにとって重要である。 しかし、密集した作物のキャノピーでは、隣接する植物がしばしば重なり、単一の対象として検出され、植物レベルの測定の信頼性が低下する。 本研究は、標準RGB UAV画像を用いた重なり合う植物インスタンスの探索のための幾何認識後検出フレームワークを提案する。 このフレームワークは、オブジェクト検出と植物成分の幾何学的クラスタリングを組み合わせる。 各茂みレベル領域で検出された葉または枝は、検出された植物構造から得られる成分セントロイドと放射交叉点(RIP)の2つの相補的な幾何学的特徴を用いて表現される。 K平均混合モデルとガウス混合モデルにより、検出された領域が1つの植物または2つの重なり合う植物を含むか否かが決定される。 密度フィルタリングは急激なラジアル交叉を抑制し、ポストパイプのアンサンブルは空間的および方向的な幾何学的情報を組み合わせたものである。 実地条件下では, ナスおよびトマトのUAV画像を用いて評価した。 セントロイドベースのクラスタリングはナスのF1スコア0.89を達成し、セントロイド-RIPの組み合わせは精度0.80、精度1.00、F1スコア0.75をK平均で達成した。 密度フィルタリングはトマトのRIPベースのクラスタリングを大幅に改善した。 提案手法は,新たな深度センサや画素レベルのセグメンテーション,3次元再構成,あるいは一次茂み検出器の再トレーニングを必要とせず,既存のRGB UAV監視パイプラインと統合可能な軽量なモジュラーエンジニアリングソリューションを提供する。 その結果、既存の検出器出力に適用された幾何学的推論は、深層学習に基づく物体検出を補完し、高密度農業用キャノピーにおける植物レベルの解釈を改善することができることを示した。

関連論文リスト

• FoundationGeo: Learning Spatial Pixel-Wise Fields for Monocular Metric Geometry [52.232826445242644]
  FoundationGeoは空間キャリブレーションと原則データ設計による相対的および計量的予測を橋渡しする。 ステージ1は DINOv3 で初期化することで高忠実なアフィン不変幾何モデルを学ぶ。 ステージ2は、メートル法推定のためのピクセルワイドキャリブレーションフィールドを導入することで、グローバルなスケーリングを越えている。
  論文  参考訳（メタデータ） (2026-07-13T14:10:01Z)
• EcoVision: AI-Powered Drone Imaging for Salt Marsh Vegetation Monitoring and Dominance Mapping [0.0]
  このフレームワークは、2つの生態学的に重要なハロ植物草(Spartina maritimaとPuccinellia maritima)を標的とした。 これらの植物を画像から識別するために,我々は,信頼性の高い種マスクを得た。 EcoVisionと名付けられたこの開発システムは、スケーラブルで高解像度の塩沼モニタリングのための実用的な基盤を確立している。
  論文  参考訳（メタデータ） (2026-07-07T10:16:31Z)
• FLORO: A Multimodal Geospatial Foundation Model for Ecological Remote Sensing Across Sensors and Scales [65.4821703903285]
  FLOROは、小さなが高度に多様なリモートセンシングコーパスから転送可能な表現を学習するために設計されたマルチモーダル基礎モデルである。 FLOROは、Sentinel-1、Sentinel-2、SkySAT画像、標高、UAV由来のデータとの不均一な組み合わせによるマスク付きオートエンコーディングを用いて事前訓練される。 我々は、シーン分類、セグメンテーション、回帰タスクにまたがる凍結エンコーダプロトコルを用いて、PANGAEAベンチマーク上でFLOROを評価した。
  論文  参考訳（メタデータ） (2026-05-27T08:55:54Z)
• Unifying UAV Cross-View Geo-Localization via 3D Geometric Perception [51.687842983240564]
  無人航空機(UAV)のクロスビューな地上局地化は、斜めのUAV画像と衛星地図との厳密な幾何学的相違により、いまだに困難である。 本稿では,3次元シーン形状を明示的にモデル化し,粗い位置認識ときめ細かなポーズ推定を統一する,幾何認識型UAV測位フレームワークを提案する。 提案手法は, 最先端のベースラインを著しく上回り, ロバストメータレベルのローカライゼーション精度を実現し, 複雑な都市環境における一般化を向上する。
  論文  参考訳（メタデータ） (2026-04-02T08:08:41Z)
• Multi-Image Super Resolution Framework for Detection and Analysis of Plant Roots [2.6737900598082835]
  植物根の重なり合う複数のビューを撮像する新しい地下イメージングシステムを提案する。 我々は、深層学習に基づくMulti-Image Super Resolution (MISR) フレームワークを使用して、ルートの可視性と詳細性を高める。 我々の手法は最先端の超解像度ベースラインより優れており、BRISQUEの2.3%の削減を実現している。
  論文  参考訳（メタデータ） (2026-01-09T02:30:48Z)
• Cascaded Zoom-in Detector for High Resolution Aerial Images [12.944309759825902]
  密度誘導型トレーニングと推論のために検出器自体を再利用した効率的なカスケードズームイン検出器を提案する。 トレーニング中、密度作物が配置され、新しいクラスとしてラベル付けされ、トレーニングデータセットの強化に使用される。 このアプローチはどんな検出器にも容易に統合でき、標準検出プロセスに大きな変化は生じない。
  論文  参考訳（メタデータ） (2023-03-15T16:39:21Z)
• A Deep Learning Approach Based on Graphs to Detect Plantation Lines [16.76043873454695]
  本稿では,UAVを用いたRGB画像における植林線検出のためのグラフに基づく深層学習手法を提案する。 提案手法は最先端のディープラーニング手法と比較した。 精度、リコール、F1スコアはそれぞれ98.7%、91.9%、95.1%だった。
  論文  参考訳（メタデータ） (2021-02-05T14:56:42Z)
• 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。