색상 기반 특징 증류를 통한 도메인 적응 식물 질병 분할 = Domain Adaptive Plant-disease Segmentation via Color-driven Feature Distillation

국문 초록 (Abstract)

최근 농작물 생산성 향상을 위한 모니터링 시스템의 필요성이 증가하면서, UAV 및 근접 영상을 활용한 병해충 탐지 연구가 활발히 진행되고 있다. 그러나 기존의 연구들은 특정 스케일에 한정된 모델을 개발하거나, 라벨이 존재하는 데이터에 의존하는 등 다양한 조건에서 적용하기 어렵다는 한계가 있다. 이를 해결하기 위해 본 논문은 UAV와 근접 촬영 데이터를 모두 활용하여 다양한 스케일에서 적용 가능한 도메인 적응 식물 질병 분할 모델을 제안한다. 제안된 기법은 라벨이 없는 데이터에서도 학습할 수 있도록 색상 유사성에 기반한 대응 관계 로스를 도입하여 유사 클래스 간의 피처와 색상 정보를 학습해 클래스 간의 차이를 효과적으로 구분할 수 있다. 또한, 학습 과정에서 발생하는 클래스 불균형 문제를 해결하기 위해 Color FPS(Color Farthest Point Sampling) 방식을 도입하여 클래스 간의 데이터 균형을 조정한다. 이를 통해 건강한 작물과 병해충 영역 간의 차이를 학습하여 다양한 촬영 조건에서도 안정적인 성능을 유지한다. 실제 농가에서 촬영된 데이터셋에서 실험한 결과, 제안 기법이 기존 기법에 비해 우수한 성능을 보였으며 다양한 환경에서 활용 가능한 모델로서의 가능성을 확인하였다.

다국어 초록 (Multilingual Abstract)

As the demand for monitoring systems to enhance crop productivity grows, research on disease detection using UAV and close-range images has become increasingly active. However, existing studies often focus on models designed for specific scales or rely heavily on labeled data, limiting their applicability across diverse conditions. To address these limitations, this paper presents a domain-adaptive plant-disease segmentation model that integrates both UAV and close-range images, allowing for application across multiple scales. The proposed approach introduces a correspondence loss based on color similarity. This allows the model to effectively learn from unlabeled data by capturing feature and color information of similar classes, thereby improving class differentiation. Additionally, to address class imbalance during training, Color FPS (Color Farthest Point Sampling) is introduced to adjust the data balance across classes. This method allows the model to effectively capture the distinctions between healthy and diseased areas, thereby achieving robust performance under various imaging conditions. Experimental results on datasets collected from real-world agricultural settings demonstrate that the proposed method outperforms existing methods, highlighting its potential as a versatile model applicable in diverse environments.