論文の概要: Zoom in on the Plant: Fine-grained Analysis of Leaf, Stem and Vein Instances

• arxiv url: http://arxiv.org/abs/2312.08805v1
• Date: Thu, 14 Dec 2023 10:45:54 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-15 22:59:49.763863
• Title: Zoom in on the Plant: Fine-grained Analysis of Leaf, Stem and Vein Instances
• Title（参考訳）: 植物へのズームイン:葉・茎・静脈のきめ細かい分析
• Authors: Ronja G\"uldenring, Rasmus Eckholdt Andersen, Lazaros Nalpantidis
• Abstract要約: 本研究では,葉,茎,静脈などの微細な表現型情報を抽出するモデルを開発した。 基盤となるデータセットRumexLeavesは公開されており、この種の最初のものである。 キーポイント誘導ポリラインの概念に従う適応された計量POKSを導入する。
• 参考スコア（独自算出の注目度）: 3.399289369740637
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robot perception is far from what humans are capable of. Humans do not only have a complex semantic scene understanding but also extract fine-grained intra-object properties for the salient ones. When humans look at plants, they naturally perceive the plant architecture with its individual leaves and branching system. In this work, we want to advance the granularity in plant understanding for agricultural precision robots. We develop a model to extract fine-grained phenotypic information, such as leaf-, stem-, and vein instances. The underlying dataset RumexLeaves is made publicly available and is the first of its kind with keypoint-guided polyline annotations leading along the line from the lowest stem point along the leaf basal to the leaf apex. Furthermore, we introduce an adapted metric POKS complying with the concept of keypoint-guided polylines. In our experimental evaluation, we provide baseline results for our newly introduced dataset while showcasing the benefits of POKS over OKS.
• Abstract（参考訳）: ロボットの知覚は、人間ができることとは程遠い。 人間は複雑なセマンティック・シーンの理解を持つだけでなく、細粒な物体内特性を抽出する。 人間は植物を見るとき、個々の葉と枝分かれシステムで植物アーキテクチャを自然に知覚する。 本研究は,農業用精密ロボットにおける植物理解の粒度化を推し進めるものである。 本研究では,葉,茎,静脈などの微細な表現型情報を抽出するモデルを開発した。 基盤となるデータセットであるRumexLeavesは公開されており、キーポイント誘導ポリリンアノテーションによって、葉基底に沿って最も低い茎点から葉の頂点まで導かれる最初のものである。 さらに、キーポイント誘導ポリラインの概念に従う適応された計量POKSを導入する。 実験評価では,新たに導入したデータセットに対して,OKSに対するPOKSの利点を示しながら,ベースライン結果を提供する。

関連論文リスト

• Lincoln's Annotated Spatio-Temporal Strawberry Dataset (LAST-Straw) [7.13465721388535]
  そこで本研究では,イチゴの3次元点群を2種類に分類し,84個の点群を集計した。 我々は、データセット上で表現型パイプラインを示すために、このようなツール(生物学的に関連のある表現型の抽出)のエンドユースに焦点を当てる。 これは、セグメンテーション、骨格化、追跡を含むステップで構成され、各ステージがどのように異なる表現型の抽出やデータインサイトの提供を促進するかを詳述する。
  論文  参考訳（メタデータ） (2024-03-01T14:44:05Z)
• BonnBeetClouds3D: A Dataset Towards Point Cloud-based Organ-level Phenotyping of Sugar Beet Plants under Field Conditions [30.27773980916216]
  農業生産は今後数十年間、気候変動と持続可能性の必要性によって深刻な課題に直面している。 自律無人航空機(UAV)による作物のモニタリングと、ロボットによる非化学雑草によるフィールド管理の進歩は、これらの課題に対処するのに有用である。 表現型化と呼ばれる植物形質の分析は、植物の育種に不可欠な活動であるが、大量の手作業が伴う。
  論文  参考訳（メタデータ） (2023-12-22T14:06:44Z)
• Keypoint Description by Symmetry Assessment -- Applications in Biometrics [49.547569925407814]
  有限展開によりキーポイント周辺の近傍を記述するモデルに基づく特徴抽出器を提案する。 そのような関数の等曲線は、原点(キーポイント)と推定されたパラメータがよく定義された幾何学的解釈を持つように、高度に対称な w.r.t である。
  論文  参考訳（メタデータ） (2023-11-03T00:49:25Z)
• 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)
• Hierarchical Approach for Joint Semantic, Plant Instance, and Leaf Instance Segmentation in the Agricultural Domain [29.647846446064992]
  植物表現型は、植物の成長段階、発達、その他の関連する量を記述するため、農業において中心的な課題である。 本稿では,RGBデータから作物の連接意味,植物インスタンス,葉のインスタンスセグメンテーションの問題に対処する。 本稿では,3つのタスクを同時に処理する単一畳み込みニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2022-10-14T15:01:08Z)
• GrowliFlower: An image time series dataset for GROWth analysis of cauLIFLOWER [2.8247971782279615]
  この記事では、2020年と2021年に取得した0.39と0.60haの2つの監視されたカリフラワーフィールドのイメージベースUAV時系列データセットであるGrowliFlowerについて述べる。 このデータセットは、約14,000個の植物座標が導出され提供されるRGBおよび多スペクトル正光を含む。 このデータセットは、発生段階、植物、カリフラワーサイズを含む740種の植物の表現型形質を収集する。
  論文  参考訳（メタデータ） (2022-04-01T08:56:59Z)
• A Deep Learning Generative Model Approach for Image Synthesis of Plant Leaves [62.997667081978825]
  我々は,高度深層学習(DL)技術を用いて,人工葉画像の自動生成を行う。 我々は、現代の作物管理のためのAIアプリケーションのためのトレーニングサンプルのソースを処分することを目指している。
  論文  参考訳（メタデータ） (2021-11-05T10:53:35Z)
• 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)
• Estimating Crop Primary Productivity with Sentinel-2 and Landsat 8 using Machine Learning Methods Trained with Radiative Transfer Simulations [58.17039841385472]
  我々は,機械モデリングと衛星データ利用の並列化を活用し,作物生産性の高度モニタリングを行う。 本モデルでは, 地域情報を使用しなくても, 各種C3作物の種類, 環境条件の総合的生産性を推定することに成功した。 これは、現在の地球観測クラウドコンピューティングプラットフォームの助けを借りて、新しい衛星センサーから作物の生産性をグローバルにマップする可能性を強調しています。
  論文  参考訳（メタデータ） (2020-12-07T16:23:13Z)
• 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)
• Deep Transfer Learning For Plant Center Localization [19.322420819302263]
  本稿では,無人航空機(UAV)を用いたRGB空中画像を用いた畑型作物の立地推定手法について検討する。 深層学習アプローチは、RGB画像で観察された植物を探索するために有望な能力を提供するが、トレーニングには大量のラベル付きデータ(地上真実)を必要とする。 そこで本研究では,限定的な地上真実データを用いて,既存モデルを新たなシナリオに移行することにより,プラント中心の推定手法を提案する。
  論文  参考訳（メタデータ） (2020-04-29T06:29:49Z)

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。