ترجمه فارسی مقاله افزایش پایش اکولوژیکی با بهینه‌سازی چند هدفه: مجموعه داده‌ها و روش‌شناسی جدید برای الگوریتم‌های تقسیم‌بندی

چکیده

We introduce a unique semantic segmentation dataset of 6,096 high-resolution aerial images capturing indigenous and invasive grass species in Bega Valley, New South Wales, Australia, designed to address the underrepresented domain of ecological data in the computer vision community. This dataset presents a challenging task due to the overlap and distribution of grass species, which is critical for advancing models in ecological and agronomical applications. Our study features a homotopy-based multi-objective fine-tuning approach that balances segmentation accuracy and contextual consistency, applicable to various models. By integrating DiceCELoss for pixel-wise classification and a smoothness loss for spatial coherence, this method evolves during training to enhance robustness against noisy data. Performance baselines are established through a case study on the Segment Anything Model (SAM), demonstrating its effectiveness. Our annotation methodology, emphasizing pen size, zoom control, and memory management, ensures high-quality dataset creation. The dataset and code will be made publicly available, aiming to drive research in computer vision, machine learning, and ecological studies, advancing environmental monitoring and sustainable development.

چکیده به فارسی (ترجمه ماشینی)

ما یک مجموعه داده تقسیم بندی معنایی منحصر به فرد از 6،096 تصویر هوایی با وضوح بالا را ضبط می کنیم که گونه های چمن بومی و تهاجمی را در دره بیگا ، نیو ساوت ولز ، استرالیا ، که برای پرداختن به حوزه کم نظیر داده های زیست محیطی در جامعه دید رایانه طراحی شده است ، معرفی می کنیم.این مجموعه داده به دلیل همپوشانی و توزیع گونه های چمن ، یک کار چالش برانگیز را ارائه می دهد ، که برای پیشبرد مدل ها در کاربردهای زیست محیطی و زراعی بسیار مهم است.مطالعه ما دارای یک رویکرد تنظیم دقیق چند منظوره مبتنی بر هموتوپی است که باعث افزایش دقت تقسیم بندی و سازگاری متنی می شود ، که برای مدلهای مختلف قابل اجرا است.این روش با ادغام diceceloss برای طبقه بندی پیکسل و از دست دادن صافی برای انسجام مکانی ، در حین آموزش برای تقویت استحکام در برابر داده های پر سر و صدا تکامل می یابد.خط مقدمات عملکرد از طریق یک مطالعه موردی در مورد بخش بخش هر مدل (SAM) ایجاد می شود و اثربخشی آن را نشان می دهد.روش حاشیه نویسی ما ، با تأکید بر اندازه قلم ، کنترل بزرگنمایی و مدیریت حافظه ، ایجاد مجموعه داده های با کیفیت بالا را تضمین می کند.مجموعه داده ها و کد با هدف هدایت تحقیقات در دید رایانه ، یادگیری ماشین و مطالعات زیست محیطی ، پیشبرد نظارت بر محیط زیست و توسعه پایدار در دسترس عموم قرار خواهد گرفت.