論文の概要: Segmentation of structural parts of rosebush plants with 3D point-based
deep learning methods
- arxiv url: http://arxiv.org/abs/2012.11489v1
- Date: Mon, 21 Dec 2020 17:01:50 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-27 06:30:57.137337
- Title: Segmentation of structural parts of rosebush plants with 3D point-based
deep learning methods
- Title(参考訳): 3次元ポイントベース深層学習法によるバラの植物構造部分の分別
- Authors: Kaya Turgut, Helin Dutagaci, Gilles Galopin, David Rousseau
- Abstract要約: 本稿では,3次元植物モデルの器官セグメンテーションにおける3次元ポイントベース深層学習法の性能評価のためのベンチマークを紹介する。
本手法はROSE-Xデータセットを用いて実生バラの3Dモデルを含む実験を行った。
- 参考スコア(独自算出の注目度): 2.384818913693926
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Segmentation of structural parts of 3D models of plants is an important step
for plant phenotyping, especially for monitoring architectural and
morphological traits. This work introduces a benchmark for assessing the
performance of 3D point-based deep learning methods on organ segmentation of 3D
plant models, specifically rosebush models. Six recent deep learning
architectures that segment 3D point clouds into semantic parts were adapted and
compared. The methods were tested on the ROSE-X data set, containing fully
annotated 3D models of real rosebush plants. The contribution of incorporating
synthetic 3D models generated through Lindenmayer systems into training data
was also investigated.
- Abstract(参考訳): 植物の3次元モデルの構造部分のセグメンテーションは、特に建築的・形態学的特性のモニタリングにおいて重要なステップである。
本研究は,3次元植物モデル,特にローズブッシュモデルにおける臓器セグメント化における3次元ポイントベースディープラーニング手法の性能評価のためのベンチマークを導入する。
最近の6つのディープラーニングアーキテクチャは、3Dポイントクラウドをセマンティックな部分に分割し、比較している。
本手法はROSE-Xデータセットを用いて実生バラの3Dモデルを含む実験を行った。
また,Lindenmayerシステムから生成した合成3Dモデルをトレーニングデータに組み込んだ。
関連論文リスト
- PointSeg: A Training-Free Paradigm for 3D Scene Segmentation via
Foundation Models [53.45712917347696]
我々は、市販の視覚基盤モデルを利用して、3Dシーン認識タスクに対処する、新しいトレーニングフリーパラダイムであるPointSegを提案する。
PointSegは正確な3Dプロンプトを取得してフレーム間で対応するピクセルを調整することで、任意の3Dシーンを分割することができる。
このアプローチは,ScanNet,ScanNet++,KITTI-360データセット上の13.4$%,11.3$%,12$%のmAPで最先端のスペシャリストモデルを大幅に上回る。
論文 参考訳(メタデータ) (2024-03-11T03:28:20Z) - Unsupervised 3D Pose Estimation with Non-Rigid Structure-from-Motion
Modeling [83.76377808476039]
本研究では,人間のポーズの変形をモデル化し,それに伴う拡散に基づく動きを事前に設計する手法を提案する。
動作中の3次元人間の骨格を復元する作業は3次元基準骨格の推定に分割する。
混合時空間NASfMformerを用いて、各フレームの3次元基準骨格と骨格変形を2次元観測シーケンスから同時に推定する。
論文 参考訳(メタデータ) (2023-08-18T16:41:57Z) - 3 Dimensional Dense Reconstruction: A Review of Algorithms and Dataset [19.7595986056387]
3D高密度再構成は、2次元平面画像から3次元物体の完全な形状とテクスチャ特性を得る過程を指す。
この研究は幾何学的および光学的モデルに基づく3次元高密度再構成の古典的手法を体系的に導入する。
さらに、ディープラーニングのためのデータセットや、これらのデータセット上でディープラーニングメソッドが示すパフォーマンスとメリット、デメリットも導入されている。
論文 参考訳(メタデータ) (2023-04-19T01:56:55Z) - Using t-distributed stochastic neighbor embedding for visualization and
segmentation of 3D point clouds of plants [0.0]
t-SNEは植物の3次元点雲を2次元空間に埋め込んで植物を特徴づけることが提案されている。
t-SNEのパープレキシティパラメータは、様々な組織レベルで植物構造の2次元レンダリングを可能にする。
論文 参考訳(メタデータ) (2023-02-07T12:55:15Z) - Eff-3DPSeg: 3D organ-level plant shoot segmentation using
annotation-efficient point clouds [1.5882586857953638]
本稿では,3次元植物撮影セグメンテーションのための弱教師付きフレームワーク Eff-3DPSeg を提案する。
大豆の高分解能点雲を低コストのフォトグラムシステムを用いて再構成した。
植物器官セグメンテーションのための弱教師付き深層学習法が提案された。
論文 参考訳(メタデータ) (2022-12-20T14:09:37Z) - Meta-Learning 3D Shape Segmentation Functions [16.119694625781992]
本稿では,3次元形状を入力として,各3次元セグメント関数空間の事前予測を行うメタリアナとして,補助的なディープニューラルネットワークを導入する。
実験では,メタ3DSegと呼ばれるメタラーニング手法が,教師なし3次元形状のセグメンテーションの改善につながることを示す。
論文 参考訳(メタデータ) (2021-10-08T01:50:54Z) - Cylindrical and Asymmetrical 3D Convolution Networks for LiDAR-based
Perception [122.53774221136193]
運転時のLiDARに基づく認識のための最先端の手法は、しばしば点雲を2D空間に投影し、2D畳み込みによって処理する。
自然な対策として、3Dボクセル化と3D畳み込みネットワークを利用する方法がある。
本研究では,3次元幾何学的パターンを探索するために,円筒状分割と非対称な3次元畳み込みネットワークを設計する,屋外LiDARセグメンテーションのための新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2021-09-12T06:25:11Z) - Generative VoxelNet: Learning Energy-Based Models for 3D Shape Synthesis
and Analysis [143.22192229456306]
本稿では,体積形状を表す3次元エネルギーモデルを提案する。
提案モデルの利点は6倍である。
実験により,提案モデルが高品質な3d形状パターンを生成できることが実証された。
論文 参考訳(メタデータ) (2020-12-25T06:09:36Z) - Bidirectional RNN-based Few Shot Learning for 3D Medical Image
Segmentation [11.873435088539459]
対象臓器アノテーションの限られたトレーニングサンプルを用いて, 正確な臓器分類を行うための3次元ショットセグメンテーションフレームワークを提案する。
U-Netのようなネットワークは、サポートデータの2次元スライスとクエリイメージの関係を学習することでセグメンテーションを予測するように設計されている。
異なる臓器のアノテーションを付加した3つの3次元CTデータセットを用いて,提案モデルの評価を行った。
論文 参考訳(メタデータ) (2020-11-19T01:44:55Z) - Cylinder3D: An Effective 3D Framework for Driving-scene LiDAR Semantic
Segmentation [87.54570024320354]
大規模運転シーンのLiDARセマンティックセマンティックセグメンテーションのための最先端の手法は、しばしば2D空間の点雲を投影して処理する。
3D-to-2Dプロジェクションの問題に取り組むための簡単な解決策は、3D表現を保ち、3D空間の点を処理することである。
我々は3次元シリンダー分割と3次元シリンダー畳み込みに基づくフレームワークをCylinder3Dとして開発し,3次元トポロジの関係と運転シーンの点雲の構造を利用する。
論文 参考訳(メタデータ) (2020-08-04T13:56:19Z) - Learning Unsupervised Hierarchical Part Decomposition of 3D Objects from
a Single RGB Image [102.44347847154867]
プリミティブの集合として3次元オブジェクトの幾何を共同で復元できる新しい定式化を提案する。
我々のモデルは、プリミティブのバイナリツリーの形で、様々なオブジェクトの高レベルな構造的分解を復元する。
ShapeNet と D-FAUST のデータセットを用いた実験により,部品の組織化を考慮すれば3次元形状の推論が容易になることが示された。
論文 参考訳(メタデータ) (2020-04-02T17:58:05Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。