論文の概要: Eff-3DPSeg: 3D organ-level plant shoot segmentation using
annotation-efficient point clouds
- arxiv url: http://arxiv.org/abs/2212.10263v1
- Date: Tue, 20 Dec 2022 14:09:37 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-21 14:20:19.760895
- Title: Eff-3DPSeg: 3D organ-level plant shoot segmentation using
annotation-efficient point clouds
- Title（参考訳）: Eff-3DPSeg:アノテーション効率の良い点雲を用いた3次元臓器レベル植物撮影セグメンテーション
- Authors: Liyi Luo, Xintong Jiang, Yu Yang, Eugene Roy Antony Samy, Mark
Lefsrud, Valerio Hoyos-Villegas, and Shangpeng Sun
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 1.5882586857953638
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Reliable and automated 3D plant shoot segmentation is a core prerequisite for
the extraction of plant phenotypic traits at the organ level. Combining deep
learning and point clouds can provide effective ways to address the challenge.
However, fully supervised deep learning methods require datasets to be
point-wise annotated, which is extremely expensive and time-consuming. In our
work, we proposed a novel weakly supervised framework, Eff-3DPSeg, for 3D plant
shoot segmentation. First, high-resolution point clouds of soybean were
reconstructed using a low-cost photogrammetry system, and the Meshlab-based
Plant Annotator was developed for plant point cloud annotation. Second, a
weakly-supervised deep learning method was proposed for plant organ
segmentation. The method contained: (1) Pretraining a self-supervised network
using Viewpoint Bottleneck loss to learn meaningful intrinsic structure
representation from the raw point clouds; (2) Fine-tuning the pre-trained model
with about only 0.5% points being annotated to implement plant organ
segmentation. After, three phenotypic traits (stem diameter, leaf width, and
leaf length) were extracted. To test the generality of the proposed method, the
public dataset Pheno4D was included in this study. Experimental results showed
that the weakly-supervised network obtained similar segmentation performance
compared with the fully-supervised setting. Our method achieved 95.1%, 96.6%,
95.8% and 92.2% in the Precision, Recall, F1-score, and mIoU for stem leaf
segmentation and 53%, 62.8% and 70.3% in the AP, AP@25, and AP@50 for leaf
instance segmentation. This study provides an effective way for characterizing
3D plant architecture, which will become useful for plant breeders to enhance
selection processes.
- Abstract（参考訳）: 信頼性および自動化された3D植物シュートセグメンテーションは、器官レベルでの植物表現形質の抽出に必須である。
ディープラーニングとポイントクラウドを組み合わせることで、この課題に対処する効果的な方法を提供できる。
しかし、完全に教師されたディープラーニング手法では、データセットにポイントワイドアノテートが必要である。
本研究では,3Dプラントシューティングセグメンテーションのための弱制御フレームワーク Eff-3DPSeg を提案する。
まず, 低コストフォトグラメトリーシステムを用いて大豆の高分解能点雲を再構成し, 植物点クラウドアノテーションのためにmeshlabベースの植物アノテーションを開発した。
第2に,植物器官分割のための弱教師付き深層学習法を提案した。
本手法は,(1)ビューポイント・ボトルネック・ロスを用いた自己教師ネットワークの事前学習を行い,生の点群から有意な内在的構造表現を学習すること,(2)植物器官のセグメンテーションを実装するために,約0.5%のポイントで事前訓練を行うこと,を含む。
その後,3つの表現型形質(茎径,葉幅,葉長)を抽出した。
提案手法の一般性を検証するため, 公開データセットであるPheno4Dを用いた。
実験の結果, 弱教師付きネットワークは, 完全教師付きセグメンテーションと同等のセグメンテーション性能を示した。
ap,ap@25,ap@50では95.1%,96.6%,95.8%,92.2%,stem leaf segmentationではf1-score,miouが53%,62.8%,70.3%であった。
本研究は, 植物育種者が選抜プロセスを強化する上で有用となる3D植物アーキテクチャを特徴付ける効果的な方法を提供する。
関連論文リスト
- Bayesian Self-Training for Semi-Supervised 3D Segmentation [59.544558398992386]
3Dセグメンテーションはコンピュータビジョンの中核的な問題である。
完全に教師されたトレーニングを採用するために、3Dポイントクラウドを密にラベル付けすることは、労働集約的で高価です。
半教師付きトレーニングは、ラベル付きデータの小さなセットのみを付与し、より大きなラベル付きデータセットを伴って、より実用的な代替手段を提供する。
論文 参考訳（メタデータ） (2024-09-12T14:54:31Z) - Class-Imbalanced Semi-Supervised Learning for Large-Scale Point Cloud
Semantic Segmentation via Decoupling Optimization [64.36097398869774]
半教師付き学習(SSL)は大規模3Dシーン理解のための活発な研究課題である。
既存のSSLベースのメソッドは、クラス不均衡とポイントクラウドデータのロングテール分布による厳しいトレーニングバイアスに悩まされている。
本稿では,特徴表現学習と分類器を別の最適化方法で切り離してバイアス決定境界を効果的にシフトする,新しいデカップリング最適化フレームワークを提案する。
論文 参考訳（メタデータ） (2024-01-13T04:16:40Z) - PST: Plant segmentation transformer for 3D point clouds of rapeseed
plants at the podding stage [5.010317705589445]
深層学習ネットワークプラントセグメンテーショントランス (PST)
PSTは、(i)動的ボクセル特徴エンコーダ(DVFE)と、(ii)デュアルウインドウが注意ブロックを設定してコンテキスト情報をキャプチャし、(iii)濃密な特徴伝搬モジュールで最後の密集点特徴マップを得る。
結果: PST と PST-PointGroup (PG) はセマンティックおよびインスタンスセグメンテーションタスクにおいて優れた性能を示した。
論文 参考訳（メタデータ） (2022-06-27T06:56:48Z) - An Effective Leaf Recognition Using Convolutional Neural Networks Based
Features [1.137457877869062]
本稿では,葉の認識に有効な手法を提案する。
葉はいくつかの前処理を経て、精製された色画像、静脈像、xy投影ヒストグラム、手作りの形状、テクスチャの特徴、フーリエディスクリプタを抽出する。
これらの属性は、サポートベクターマシン(SVM)モデルを使用して異なる葉を分類する前に、ニューラルネットワークベースのエンコーダによってより良い表現に変換される。
論文 参考訳（メタデータ） (2021-08-04T02:02:22Z) - FS-Net: Fast Shape-based Network for Category-Level 6D Object Pose
Estimation with Decoupled Rotation Mechanism [49.89268018642999]
6次元ポーズ推定のための効率的なカテゴリレベルの特徴抽出が可能な高速形状ベースネットワーク(FS-Net)を提案する。
提案手法は,カテゴリレベルおよびインスタンスレベルの6Dオブジェクトのポーズ推定における最先端性能を実現する。
論文 参考訳（メタデータ） (2021-03-12T03:07:24Z) - A Deep Learning Approach Based on Graphs to Detect Plantation Lines [16.76043873454695]
本稿では,UAVを用いたRGB画像における植林線検出のためのグラフに基づく深層学習手法を提案する。
提案手法は最先端のディープラーニング手法と比較した。
精度、リコール、F1スコアはそれぞれ98.7%、91.9%、95.1%だった。
論文 参考訳（メタデータ） (2021-02-05T14:56:42Z) - Stem-leaf segmentation and phenotypic trait extraction of maize shoots
from three-dimensional point cloud [8.392251372468412]
本稿では, 骨格抽出, 骨格に基づく粗い部分分割, 茎葉分類に基づく細部分分割の3段階からなる自動茎葉分割法を提案する。
植物の高さ、樹冠径、茎の高さと直径、葉の幅と長さを含む6つの表現型パラメータを正確に自動測定することができる。
提案したアルゴリズムは、完全に拡張された葉だけでなく、新しい葉をまとめて閉じることもできる。
論文 参考訳（メタデータ） (2020-09-07T13:58:09Z) - Deep Semi-supervised Knowledge Distillation for Overlapping Cervical
Cell Instance Segmentation [54.49894381464853]
本稿では, ラベル付きデータとラベルなしデータの両方を, 知識蒸留による精度向上に活用することを提案する。
摂動に敏感なサンプルマイニングを用いたマスク誘導型平均教師フレームワークを提案する。
実験の結果,ラベル付きデータのみから学習した教師付き手法と比較して,提案手法は性能を著しく向上することがわかった。
論文 参考訳（メタデータ） (2020-07-21T13:27:09Z) - Weakly Supervised Deep Nuclei Segmentation Using Partial Points
Annotation in Histopathology Images [51.893494939675314]
本稿では,部分点アノテーションに基づく弱教師付きセグメンテーションフレームワークを提案する。
本手法は, 完全教師付き手法や最先端手法と比較して, 競争性能を向上できることを示す。
論文 参考訳（メタデータ） (2020-07-10T15:41:29Z) - 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) - Automated classification of stems and leaves of potted plants based on
point cloud data [21.085243796341743]
鉢植え植物の葉や茎を自動的に分類するための分類法が提案された。
葉点学習サンプルは3次元凸包絡アルゴリズムを用いて自動的に抽出される。
2つのトレーニングセットは、サポートベクトルマシン(SVM)アルゴリズムを用いて、すべての点を葉点と茎点に分類するために使用された。
論文 参考訳（メタデータ） (2020-02-28T04:15:38Z)
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。