Generative models-based data labeling for deep networks regression: application to seed maturity estimation from UAV multispectral images

要約

気候変動やより厳しい農法により、種子の成熟度をモニタリングすることは、農業における課題となっています。農業プロセスを最適化し、高い発芽率による収穫の質を保証するためには、現場での種子のモニタリングが不可欠です。従来の方法は、圃場での限られたサンプリングと実験室での分析に基づいています。さらに、時間がかかり、作物畑の一部分しかモニタリングできません。そのため、圃場内の不均質性により、作物全体の状態を正確に把握することができません。UAVによるマルチスペクトル画像は、圃場を均一にスキャンし、作物の成熟度情報をよりよく捉えることができます。一方、深層学習法は農作物のパラメータ、特に成熟度を推定する上で非常に大きな可能性を示している。しかし、これらは大規模なラベル付きデータセットを必要とする。航空画像の大規模なセットは利用可能であるが、それらをグランドトゥルースでラベル付けすることは、不可能ではないにしても、面倒な作業である。本論文では、マルチスペクトルUAV画像を用いたパセリ種子の成熟度推定法を、新しいアプローチによる自動ラベリングで提案する。このアプローチは、パラメトリックモデルとノンパラメトリックモデルに基づいて、弱いラベルを提供するものである。また、データ取得プロトコルと本手法の異なるステップの性能評価についても検討した。結果は良好なパフォーマンスを示し、ノンパラメトリックカーネル密度推定モデルは、ラベリング方法として使用した場合、ニューラルネットワークの汎化を改善し、より堅牢でよりパフォーマンスの高いディープニューラルモデルに導くことが可能である。

要約(オリジナル)

Monitoring seed maturity is an increasing challenge in agriculture due to climate change and more restrictive practices. Seeds monitoring in the field is essential to optimize the farming process and to guarantee yield quality through high germination. Traditional methods are based on limited sampling in the field and analysis in laboratory. Moreover, they are time consuming and only allow monitoring sub-sections of the crop field. This leads to a lack of accuracy on the condition of the crop as a whole due to intra-field heterogeneities. Multispectral imagery by UAV allows uniform scan of fields and better capture of crop maturity information. On the other hand, deep learning methods have shown tremendous potential in estimating agronomic parameters, especially maturity. However, they require large labeled datasets. Although large sets of aerial images are available, labeling them with ground truth is a tedious, if not impossible task. In this paper, we propose a method for estimating parsley seed maturity using multispectral UAV imagery, with a new approach for automatic data labeling. This approach is based on parametric and non-parametric models to provide weak labels. We also consider the data acquisition protocol and the performance evaluation of the different steps of the method. Results show good performance, and the non-parametric kernel density estimator model can improve neural network generalization when used as a labeling method, leading to more robust and better performing deep neural models.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL