Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

Global Rice Multi-Class Segmentation Dataset (RiceSEG): A Comprehensive and Diverse High-Resolution RGB-Annotated Images for the Development and Benchmarking of Rice Segmentation Algorithms

Created by
  • Haebom

저자

Junchi Zhou, Haozhou Wang, Yoichiro Kato, Tejasri Nampally, P. Rajalakshmi, M. Balram, Keisuke Katsura, Hao Lu, Yue Mu, Wanneng Yang, Yangmingrui Gao, Feng Xiao, Hongtao Chen, Yuhao Chen, Wenjuan Li, Jingwen Wang, Fenghua Yu, Jian Zhou, Wensheng Wang, Xiaochun Hu, Yuanzhu Yang, Yanfeng Ding, Wei Guo, Shouyang Liu

개요

본 논문은 컴퓨터 비전 기반 벼 표현형 분석 기술 개발의 중요성을 강조하며, 특히 식물 기관 단위의 성장 및 발달 특성 분석을 위한 이미지 구성 요소 구분의 어려움을 지적합니다. 이러한 어려움을 해결하기 위해, 다양한 벼 재배 환경과 유전형을 포함하는 대규모 다중 클래스 벼 의미론적 분할 데이터셋인 RiceSEG를 구축했습니다. RiceSEG는 5개국에서 수집한 5만 장 가까이의 고해상도 지상 이미지를 기반으로, 6개 클래스(배경, 녹색 식물, 고사한 식물, 이삭, 잡초, 개구리밥)로 주석이 달린 3,078개의 대표 샘플로 구성됩니다. 최신 CNN과 Transformer 기반 의미론적 분할 모델을 사용한 실험 결과, 배경과 녹색 식물 분할은 양호하지만, 복잡한 수관 구조와 다중 클래스가 존재하는 생식 단계에서는 성능이 저하되는 것을 확인했습니다. 이는 RiceSEG 데이터셋이 벼 및 기타 작물을 위한 특수 분할 모델 개발에 중요함을 시사합니다.

시사점, 한계점

•
시사점:
◦
벼 표현형 분석을 위한 최초의 종합적인 다중 클래스 의미론적 분할 데이터셋(RiceSEG) 구축.
◦
다양한 벼 유전형과 재배 환경을 포괄하는 대규모 데이터셋 제공.
◦
생식 단계에서의 정확한 분할 모델 개발의 필요성을 강조.
◦
컴퓨터 비전 기반 벼 표현형 분석 기술 발전에 기여.
•
한계점:
◦
생식 단계에서의 복잡한 수관 구조로 인한 분할 모델 성능 저하.
◦
다양한 환경 조건(예: 조명)에 대한 모델의 일반화 성능에 대한 추가 연구 필요.
◦
데이터셋의 균형과 대표성에 대한 추가 검토 필요.
👍
Made with Slashpage