Domain Generalization for Crop Segmentation with Knowledge Distillation

要約

近年、精密農業は、圃場管理に関連するすべての活動をサポートするために、農業を徐々に自動化プロセスに近づけるようになってきました。
サービスロボットは、監視、散布、収穫などの人間の介入なしでタスクを実行しながら畑を移動できる自律エージェントを展開することで、この進化において主要な役割を果たしています。
これらの正確な動作を実行するには、移動ロボットには周囲の環境を理解し、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。
ラベル付きサンプルが入手できることはほとんどないため、実際の応用には、新しい作物や環境条件に一般化することが重要です。
この論文では、作物のセグメンテーションの問題を調査し、知識の蒸留を使用してドメインの一般化を強化する新しいアプローチを提案します。
提案されたフレームワークでは、ソースドメインで個別にトレーニングされたモデルのアンサンブルから、目に見えないターゲットドメインに適応できるスチューデントモデルに知識を転送します。
提案された方法を評価するために、さまざまな形状の植物を含み、50,000 を超えるサンプルのさまざまな地形スタイル、気象条件、光シナリオをカバーする作物セグメンテーション用の合成マルチドメイン データセットを提示します。
私たちは、最先端の手法と比べてパフォーマンスが大幅に向上し、シミュレーションから現実への優れた一般化を実証します。
私たちのアプローチは、作物のセグメンテーションにおけるドメイン一般化のための有望なソリューションを提供し、さまざまな精密農業アプリケーションを強化する可能性を秘めています。

要約(オリジナル)

In recent years, precision agriculture has gradually oriented farming closer to automation processes to support all the activities related to field management. Service robotics plays a predominant role in this evolution by deploying autonomous agents that can navigate fields while performing tasks without human intervention, such as monitoring, spraying, and harvesting. To execute these precise actions, mobile robots need a real-time perception system that understands their surroundings and identifies their targets in the wild. Generalizing to new crops and environmental conditions is critical for practical applications, as labeled samples are rarely available. In this paper, we investigate the problem of crop segmentation and propose a novel approach to enhance domain generalization using knowledge distillation. In the proposed framework, we transfer knowledge from an ensemble of models individually trained on source domains to a student model that can adapt to unseen target domains. To evaluate the proposed method, we present a synthetic multi-domain dataset for crop segmentation containing plants of variegate shapes and covering different terrain styles, weather conditions, and light scenarios for more than 50,000 samples. We demonstrate significant improvements in performance over state-of-the-art methods and superior sim-to-real generalization. Our approach provides a promising solution for domain generalization in crop segmentation and has the potential to enhance a wide variety of precision agriculture applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google