Depth Anythingの恩恵：深度情報に基づいた疑似ラベリングによるほぼ教師なしの作物セグメンテーションアプローチ

科学分野:

• 農業コンピュータービジョン
• リモートセンシングのためのディープラーニング

背景:

• 作物セグメンテーションは、農業モニタリングと収量推定に不可欠です。
• ディープラーニングモデルには広範な手動アノテーションが必要であり、人件費と時間コストが増加します。

研究 の 目的:

• 深度情報を使用したほぼ教師なしの作物セグメンテーション方法を開発すること。
• 農業画像分析における手動ピクセルレベルアノテーションへの依存を減らすこと。

主な方法:

• Depth Anything V2（ビジョン基盤モデル）を活用して、疑似作物マスクを生成しました。
• 17,199枚の画像のデータセットをコンパイルおよびスクリーニングし、信頼性の高いマスクを持つ1378枚を選択しました。
• トップパフォーミングなセマンティックセグメンテーションモデルで、深度情報に基づいた2段階の自己トレーニングと後処理を採用しました。

主要な成果:

• 完全に教師ありモデル（87.10%）に匹敵する作物セグメンテーションパフォーマンス（86.91%）を達成しました。
• 圃場内、実験室、UAVシナリオ全体で堅牢性を示しました。
• 作物セグメンテーションのためのほぼ教師なしアプローチを正常に実装しました。

結論:

• DepthCropSegは、完全に教師ありの方法に代わる実行可能な選択肢を提供し、アノテーションの労力を大幅に削減します。
• この方法は、農業におけるよりアクセス可能で効率的な作物セグメンテーションへの道を開きます。
• このアプローチは、最小限の手動入力でほぼ完全教師ありのパフォーマンスを提供します。