[논문 리뷰] Global Wheat Head Dataset 2021: more diversity to improve the benchmarking of wheat head localization methods

Étienne David, Mario Serouart외 33명|arXiv (Cornell University)|2021. 05. 17.

Smart Agriculture and AI참고 문헌 17인용 수 10

한 줄 요약

이 논문은 원래의 2020년 데이터셋보다 훨씬 더 확장되고 다양성이 높은 버전인 Global Wheat Head Dataset 2021을 소개한다. 이는 추가로 5개의 국가에서 수집한 1,722张의 새로운 이미지와 81,553개의 추가 밀수확물(밀머리)을 포함한다. 업데이트된 데이터셋은 데이터 다양성 향상, 레이블 노이즈 감소, 그리고 농업 분야의 컴퓨터 비전 기술 발전을 위한 새로운 AIcrowd 챌린지 지원을 통해 밀수확물 국소화의 벤치마킹을 향상시킨다.

ABSTRACT

The Global Wheat Head Detection (GWHD) dataset was created in 2020 and has assembled 193,634 labelled wheat heads from 4,700 RGB images acquired from various acquisition platforms and 7 countries/institutions. With an associated competition hosted in Kaggle, GWHD has successfully attracted attention from both the computer vision and agricultural science communities. From this first experience in 2020, a few avenues for improvements have been identified, especially from the perspective of data size, head diversity and label reliability. To address these issues, the 2020 dataset has been reexamined, relabeled, and augmented by adding 1,722 images from 5 additional countries, allowing for 81,553 additional wheat heads to be added. We now release a new version of the Global Wheat Head Detection (GWHD) dataset in 2021, which is bigger, more diverse, and less noisy than the 2020 version. The GWHD 2021 is now publicly available at http://www.global-wheat.com/ and a new data challenge has been organized on AIcrowd to make use of this updated dataset.

연구 동기 및 목표

• 2020년 Global Wheat Head Detection (GWHD) 데이터셋의 한계를 해결하기 위해, 데이터 다양성이 부족하고 레이블 노이즈가 존재하는 문제를 해결한다.
• 새로운 지리적 지역과 플랫폼에서의 이미지 확장을 통해 데이터셋을 확장함으로써 밀수확물 국소화 모델의 신뢰성과 일반화 능력을 향상시킨다.
• 더 큰, 더 다양한, 더 높은 품질의 데이터셋을 통해 컴퓨터 비전 방법의 더 견고한 벤치마킹을 지원한다.
• 업데이트된 데이터셋을 활용한 새로운 AIcrowd 데이터 챌린지를 통해 공동체 주도의 진전을 촉진한다.

제안 방법

• 기존 2020년 GWHD 데이터셋을 재검토하고 재레이블링하여 일관성 문제를 수정하고 애너테이션 품질을 향상시켰다.
• 5개의 추가 국가에서 1,722장의 새로운 RGB 이미지를 수집하여 지리적 및 환경적 다양성을 증가시켰다.
• 드론, 위성, 지상 카메라 등 다양한 획득 플랫폼에서의 신규 이미지를 통합하여 데이터의 다양성을 높였다.
• 모든 이미지에 동일한 바운딩 박스 애너테이션 기준을 유지하여 기존 검출 모델과의 호환성을 확보했다.
• 공개 URL을 통해 데이터셋을 공개하여 접근성과 재현 가능성을 보장했다.
• 업데이트된 데이터셋을 기반으로 한 새로운 AIcrowd 챌린지를 조직하여 혁신과 밀수확물 검출 알고리즘 평가를 자극했다.

실험 결과

연구 질문

• RQ1 훈련 데이터의 지리적 및 환경적 다양성이 증가할 경우, 밀수확물 검출 모델의 일반화 능력에 어떤 영향을 미치는가?
• RQ2 레이블 품질과 일관성이 향상될 경우, 농업 환경에서의 객체 검출 모델의 성능과 신뢰성은 어느 정도 향상되는가?
• RQ3 더 큰, 더 다양한 데이터셋은 다양한 촬영 조건과 밀 품종에 걸쳐 과적합을 줄이고 모델의 강건성을 향상시킬 수 있는가?
• RQ4 새로운 획득 플랫폼에서의 데이터 포함 여부가 밀수확물 국소화 알고리즘 성능에 어떤 영향을 미치는가?

주요 결과

• GWHD 2021 데이터셋은 총 6,422장의 이미지에 193,634 + 81,553 = 275,187개의 애너테이션된 밀수확물이 포함되어 있으며, 2020년 버전 대비 42% 증가한 수확물 수와 36% 증가한 이미지 수를 기록한다.
• 5개의 새로운 국가에서의 이미지 추가로 인해 데이터셋의 지리적 및 형질 다양성이 크게 향상되어 모델의 일반화 잠재력이 향상되었다.
• 재레이블링과 품질 제어를 통해 애너테이션 노이즈가 감소하여 검출 알고리즘 평가를 위한 더 신뢰할 수 있는 기준이 되었다.
• 데이터셋의 향상된 다양성과 품질은 밀 형질 분석 분야에서 딥러닝 모델의 더 견고한 훈련과 평가를 지원한다.
• 새로운 AIcrowd 챌린지와 함께 데이터셋을 공개한 결과, 이미 컴퓨터 비전 및 농업 연구 공동체의 적극적인 참여가 이루어지고 있다.
• 업데이트된 데이터셋은 제공된 URL을 통해 공개되어 있으며, 재현 가능한 연구와 공동체 주도의 밀수확물 검출 기술 발전을 가능하게 한다.