論文の概要: Revealing Hierarchical Structure of Leaf Venations in Plant Science via Label-Efficient Segmentation: Dataset and Method
- arxiv url: http://arxiv.org/abs/2405.10041v1
- Date: Thu, 16 May 2024 12:23:48 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-17 14:22:13.216741
- Title: Revealing Hierarchical Structure of Leaf Venations in Plant Science via Label-Efficient Segmentation: Dataset and Method
- Title（参考訳）: ラベル効率の良いセグメンテーションによる植物科学における葉弁の階層構造解明:データセットと方法
- Authors: Weizhen Liu, Ao Li, Ze Wu, Yue Li, Baobin Ge, Guangyu Lan, Shilin Chen, Minghe Li, Yunfei Liu, Xiaohui Yuan, Nanqing Dong,
- Abstract要約: HALVS(HierArchical Leaf Vein)データセットを導入した。
HALVSは、植物3種から収集された5,057個の実スキャンされた高解像度の葉画像からなる。
また、3桁の葉脈に対して人間に注釈を付けた真実も含み、合計で83.8日間のラベル付けがされている。
- 参考スコア（独自算出の注目度）: 15.58349151487184
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Hierarchical leaf vein segmentation is a crucial but under-explored task in agricultural sciences, where analysis of the hierarchical structure of plant leaf venation can contribute to plant breeding. While current segmentation techniques rely on data-driven models, there is no publicly available dataset specifically designed for hierarchical leaf vein segmentation. To address this gap, we introduce the HierArchical Leaf Vein Segmentation (HALVS) dataset, the first public hierarchical leaf vein segmentation dataset. HALVS comprises 5,057 real-scanned high-resolution leaf images collected from three plant species: soybean, sweet cherry, and London planetree. It also includes human-annotated ground truth for three orders of leaf veins, with a total labeling effort of 83.8 person-days. Based on HALVS, we further develop a label-efficient learning paradigm that leverages partial label information, i.e. missing annotations for tertiary veins. Empirical studies are performed on HALVS, revealing new observations, challenges, and research directions on leaf vein segmentation.
- Abstract（参考訳）: ヒエラルキーの葉脈分画は農業科学において重要であるが、未調査の課題であり、植物の葉弁の階層構造の解析は植物の育種に寄与する。
現在のセグメンテーション技術はデータ駆動モデルに依存しているが、階層的な葉静脈セグメンテーションに特化したデータセットは公開されていない。
このギャップに対処するために、最初のパブリックな階層的な葉静脈分割データセットであるHierArchical Leaf Vein Segmentation (HALVS)データセットを紹介した。
HALVSは、ダイズ、サツマイモ、ロンドン平面樹の3種から収集された5,057個の実スキャンされた高解像度の葉画像からなる。
また、3桁の葉脈に対して人間に注釈を付けた真実も含み、合計で83.8日間のラベル付けがされている。
HALVSをベースとして,部分的なラベル情報,すなわち第3次静脈のアノテーションの欠如を利用したラベル効率の学習パラダイムをさらに発展させる。
HALVSで実証的研究が行われ、葉脈分画の新しい観察、課題、研究の方向性が明らかにされた。
関連論文リスト
- GMT: Guided Mask Transformer for Leaf Instance Segmentation [14.458970589296554]
葉のインスタンスセグメンテーション(Leaf instance segmentation)は、植物のイメージ内の各葉の分離とデライン化を目的とした、困難なタスクである。
本稿では,葉の空間分布をトランスフォーマーベースのセグメンタに利用し,統合するガイドマスクトランス (GMT) を提案する。
我々のGMTは、3つの公開植物データセットの最先端を一貫して上回ります。
論文 参考訳（メタデータ） (2024-06-24T19:52:27Z) - Unsupervised Pre-Training for 3D Leaf Instance Segmentation [34.122575664767915]
本稿では,3次元点雲上でのリーフインスタンスセグメンテーションの実行に必要なラベル付けの労力を削減する問題に対処する。
本稿では,ネットワークのバックボーンを初期化するための,自己教師型タスク固有の事前学習手法を提案する。
また,茎近傍の点を正確に区分けすることの難しさを考慮した新しい自動後処理も導入した。
論文 参考訳（メタデータ） (2024-01-16T08:11:08Z) - Navya3DSeg -- Navya 3D Semantic Segmentation Dataset & split generation
for autonomous vehicles [63.20765930558542]
3Dセマンティックデータは、障害物検出やエゴ-車両の局所化といった中核的な認識タスクに有用である。
そこで我々は,大規模生産段階の運用領域に対応する多様なラベル空間を持つ新しいデータセットであるNavala 3D(Navya3DSeg)を提案する。
ラベルのない23のラベル付きシーケンスと25の補足シーケンスが含まれており、ポイントクラウド上の自己教師付きおよび半教師付きセマンティックセマンティックセグメンテーションベンチマークを探索するために設計された。
論文 参考訳（メタデータ） (2023-02-16T13:41:19Z) - 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) - 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) - 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) - Hierarchical Graph Capsule Network [78.4325268572233]
ノード埋め込みを共同で学習し,グラフ階層を抽出できる階層型グラフカプセルネットワーク(HGCN)を提案する。
階層的表現を学ぶために、HGCNは下層カプセル(部分)と高層カプセル(全体)の間の部分的関係を特徴付ける。
論文 参考訳（メタデータ） (2020-12-16T04:13:26Z) - Towards Robust Partially Supervised Multi-Structure Medical Image
Segmentation on Small-Scale Data [123.03252888189546]
データ不足下における部分教師付き学習(PSL)における方法論的ギャップを埋めるために,不確実性下でのビシナルラベル(VLUU)を提案する。
マルチタスク学習とヴィジナルリスク最小化によって動機づけられたVLUUは、ビジナルラベルを生成することによって、部分的に教師付き問題を完全な教師付き問題に変換する。
本研究は,ラベル効率の高い深層学習における新たな研究の方向性を示唆するものである。
論文 参考訳（メタデータ） (2020-11-28T16:31:00Z) - 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) - Campus3D: A Photogrammetry Point Cloud Benchmark for Hierarchical
Understanding of Outdoor Scene [76.4183572058063]
複数の屋外シーン理解タスクに対して,リッチな注釈付き3Dポイントクラウドデータセットを提案する。
データセットは階層型ラベルとインスタンスベースのラベルの両方でポイントワイズアノテートされている。
本稿では,3次元点雲分割のための階層的学習問題を定式化し,様々な階層間の整合性を評価することを提案する。
論文 参考訳（メタデータ） (2020-08-11T19:10:32Z) - 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)
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。