論文の概要: PRMI: A Dataset of Minirhizotron Images for Diverse Plant Root Study
- arxiv url: http://arxiv.org/abs/2201.08002v1
- Date: Thu, 20 Jan 2022 05:07:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-22 00:13:02.072486
- Title: PRMI: A Dataset of Minirhizotron Images for Diverse Plant Root Study
- Title（参考訳）: PRMI 異種植物根研究のためのミニリゾトロン画像のデータセット
- Authors: Weihuang Xu, Guohao Yu, Yiming Cui, Romain Gloaguen, Alina Zare, Jason
Bonnette, Joel Reyes-Cabrera, Ashish Rajurkar, Diane Rowland, Roser Matamala,
Julie D. Jastrow, Thomas E. Juenger, Felix B. Fritschi
- Abstract要約: 本稿では,Minirhizotron(MR)技術により得られた植物根画像の大規模データセットを紹介する。
綿花、パパイヤ、ピーナッツ、ゴマ、サンフラワー、スイッチグラスを含む6種にまたがる72K以上のRGBの根画像がある。
画像には、各画像に根が含まれているか否かを示す画像レベルラベルが弱い。
- 参考スコア（独自算出の注目度）: 12.490986779021982
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Understanding a plant's root system architecture (RSA) is crucial for a
variety of plant science problem domains including sustainability and climate
adaptation. Minirhizotron (MR) technology is a widely-used approach for
phenotyping RSA non-destructively by capturing root imagery over time.
Precisely segmenting roots from the soil in MR imagery is a critical step in
studying RSA features. In this paper, we introduce a large-scale dataset of
plant root images captured by MR technology. In total, there are over 72K RGB
root images across six different species including cotton, papaya, peanut,
sesame, sunflower, and switchgrass in the dataset. The images span a variety of
conditions including varied root age, root structures, soil types, and depths
under the soil surface. All of the images have been annotated with weak
image-level labels indicating whether each image contains roots or not. The
image-level labels can be used to support weakly supervised learning in plant
root segmentation tasks. In addition, 63K images have been manually annotated
to generate pixel-level binary masks indicating whether each pixel corresponds
to root or not. These pixel-level binary masks can be used as ground truth for
supervised learning in semantic segmentation tasks. By introducing this
dataset, we aim to facilitate the automatic segmentation of roots and the
research of RSA with deep learning and other image analysis algorithms.
- Abstract（参考訳）: 植物根系アーキテクチャ(RSA)を理解することは、持続可能性や気候適応を含む様々な植物科学問題領域において重要である。
ミニリゾトロン(mr)技術はrsaを非破壊的に表現型化する手法として広く用いられている。
MR画像中の土壌から根を精密に分画することは、RSAの特徴を研究する上で重要なステップである。
本稿では,MR技術による植物根画像の大規模データセットについて紹介する。
合計で、綿花、パパイヤ、ピーナッツ、ゴマ、サンフラワー、スイッチグラスを含む6種にまたがる72K以上のRGBの根画像がある。
これらの画像は、異なる根年齢、根構造、土壌の種類、土壌表面の深さを含む様々な条件にまたがる。
すべての画像は、それぞれの画像がルートを含むかどうかを示す弱い画像レベルのラベルでアノテートされています。
画像レベルのラベルは、植物根のセグメンテーションタスクにおいて弱い教師付き学習をサポートするために使用できる。
さらに、63k画像が手動で注釈付けされ、各ピクセルがルートに対応するかどうかを示すピクセルレベルのバイナリマスクを生成する。
これらのピクセルレベルのバイナリマスクは、意味セグメンテーションタスクにおける教師あり学習の基盤として使用できる。
このデータセットを導入することで,ルーツの自動分割と,深層学習やその他の画像解析アルゴリズムを用いたrsaの研究を容易にすることを目的としている。
関連論文リスト
- DiffKillR: Killing and Recreating Diffeomorphisms for Cell Annotation in Dense Microscopy Images [105.46086313858062]
DiffKillRは、アーチェタイプマッチングと画像登録タスクの組み合わせとして、セルアノテーションを再構成する新しいフレームワークである。
我々はDiffKillRの理論的性質について論じ、それを3つの顕微鏡タスクで検証し、既存の教師付き・半教師なし・教師なしの手法に対する利点を実証する。
論文 参考訳（メタデータ） (2024-10-04T00:38:29Z) - CongNaMul: A Dataset for Advanced Image Processing of Soybean Sprouts [0.26786930391553554]
CongNaMulデータセットは、画像分類、セマンティックセグメンテーション、分解、長さと重量の測定などのタスクを容易にするためにキュレートされる。
分類タスクは、ダイズ発芽の質を決定する4つのクラスを提供する。
このデータセットは、大豆の発芽画像の高度な分析において、幅広い研究や応用のための貴重な資源として期待されている。
論文 参考訳（メタデータ） (2023-08-30T01:14:32Z) - Semantic Image Segmentation with Deep Learning for Vine Leaf Phenotyping [59.0626764544669]
本研究では,ブドウの葉のイメージを意味的にセグメント化するためにDeep Learning法を用いて,葉の表現型自動検出システムを開発した。
私たちの研究は、成長や開発のような動的な特性を捉え定量化できる植物ライフサイクルのモニタリングに寄与します。
論文 参考訳（メタデータ） (2022-10-24T14:37:09Z) - Computer-aided Interpretable Features for Leaf Image Classification [0.0]
52種類の植物を分類するための計算効率の良い特徴を紹介する。
長さ、幅、面積、テクスチャの相関、単調性、発癌性は少ない。
その結果,教師付き学習環境と教師なし学習環境の両方において,興味のクラスを識別するのに十分な特徴があることが示唆された。
論文 参考訳（メタデータ） (2021-06-15T12:11:10Z) - Potato Crop Stress Identification in Aerial Images using Deep
Learning-based Object Detection [60.83360138070649]
本稿では, 深層ニューラルネットワークを用いたジャガイモの空中画像解析手法を提案する。
主な目的は、植物レベルでの健康作物とストレス作物の自動空間認識を実証することである。
実験により、フィールド画像中の健康植物とストレス植物を識別し、平均Dice係数0.74を達成できることを示した。
論文 参考訳（メタデータ） (2021-06-14T21:57:40Z) - Semantic Segmentation with Generative Models: Semi-Supervised Learning
and Strong Out-of-Domain Generalization [112.68171734288237]
本論文では,画像とラベルの再生モデルを用いた識別画素レベルのタスクのための新しいフレームワークを提案する。
我々は,共同画像ラベルの分布を捕捉し,未ラベル画像の大規模な集合を用いて効率的に訓練する生成的対向ネットワークを学習する。
ドメイン内性能をいくつかのベースラインと比較し,ドメイン外一般化を極端に示す最初の例である。
論文 参考訳（メタデータ） (2021-04-12T21:41:25Z) - Classification of Seeds using Domain Randomization on Self-Supervised
Learning Frameworks [0.0]
鍵となるボトルネックは、畳み込みニューラルネットワーク(CNN)をトレーニングする大量のラベル付きデータの必要性である。
この研究は、これを達成するために、コントラスト学習とドメインランダム化の概念を活用している。
実世界の画像の表象的サンプル作物から生成された合成画像の使用は、大量のテスト対象の必要性を軽減する。
論文 参考訳（メタデータ） (2021-03-29T12:50:06Z) - Free-Form Image Inpainting via Contrastive Attention Network [64.05544199212831]
画像の塗装作業では、複雑なパターンを形成する画像のどこにでも、どんな形でもマスクが現れる。
エンコーダはこの複雑な状況下でこのような強力な表現を捕捉することは困難である。
本稿では,ロバスト性と一般化性を改善するための自己教師型シームズ推論ネットワークを提案する。
論文 参考訳（メタデータ） (2020-10-29T14:46:05Z) - Weakly Supervised Minirhizotron Image Segmentation with MIL-CAM [6.249743562845785]
画像レベルラベルが弱い画素レベルのミニリゾトロン画像セグメンテーションのためのマルチインスタンス学習クラスアクティベーションマップ(MIL-CAM)を提案する。
提案手法は,ミニリゾトロン画像におけるルートオブジェクトのローカライゼーションにおいて,他の注目マップや複数のインスタンス学習手法よりも優れている。
論文 参考訳（メタデータ） (2020-07-30T05:49:30Z) - Two-View Fine-grained Classification of Plant Species [66.75915278733197]
本研究では,2視点の葉のイメージ表現に基づく新しい手法と,植物種の粒度認識のための階層的分類戦略を提案する。
シームズ畳み込みニューラルネットワークに基づく深度測定は、多数のトレーニングサンプルへの依存を減らし、新しい植物種に拡張性を持たせるために用いられる。
論文 参考訳（メタデータ） (2020-05-18T21:57:47Z) - Super Resolution for Root Imaging [2.0924876102146714]
超解像度(SR)アルゴリズムは、センサーの解像度制限を克服し、ストレージスペースの要求を減らし、後の分析の性能を高めるために望まれる。
畳み込みニューラルネットワーク(CNN)を用いた植物の根の画像向上のためのSRフレームワークを提案する。
我々は、SRモデルが非ルートデータセットでトレーニングされた場合でも、基本的なバイコビックよりも優れる、公開データセットの集合を実証する。
論文 参考訳（メタデータ） (2020-03-30T15:11:15Z)
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。