Self-Supervised Data Generation for Precision Agriculture: Blending Simulated Environments with Real Imagery

要約

精密な農業では、ラベル付きのデータと重要な共変量シフトの希少性は、機械学習モデルをトレーニングするためのユニークな課題をもたらします。
この希少性は、環境の動的な性質と生物としての農業被験者の進化する外観のために、特に問題があります。
これらの課題に対処するために、現実的な合成データを生成するための新しいシステムを提案します。
Unityエンジンに基づいたブドウ園シミュレーターを利用して、当社のシステムは、合成環境から正確な写真と現実的な画像とラベルを生成して、検出アルゴリズムを訓練するために、幾何学的な一貫性の考慮事項を備えたカットアンドペースト技術を採用しています。
このアプローチは、さまざまな視点や照明条件にわたって多様なデータサンプルを生成します。
テーブルブドウの栽培に方法を適用することにより、最先端の検出器のトレーニングにおいてかなりのパフォーマンスの改善を示します。
技術の組み合わせは、農業慣行における採用のためにますます重要な考慮事項である、手法の組み合わせを簡単に自動化できます。

要約(オリジナル)

In precision agriculture, the scarcity of labeled data and significant covariate shifts pose unique challenges for training machine learning models. This scarcity is particularly problematic due to the dynamic nature of the environment and the evolving appearance of agricultural subjects as living things. We propose a novel system for generating realistic synthetic data to address these challenges. Utilizing a vineyard simulator based on the Unity engine, our system employs a cut-and-paste technique with geometrical consistency considerations to produce accurate photo-realistic images and labels from synthetic environments to train detection algorithms. This approach generates diverse data samples across various viewpoints and lighting conditions. We demonstrate considerable performance improvements in training a state-of-the-art detector by applying our method to table grapes cultivation. The combination of techniques can be easily automated, an increasingly important consideration for adoption in agricultural practice.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google