論文の概要: TreeFormer: Single-view Plant Skeleton Estimation via Tree-constrained Graph Generation

• arxiv url: http://arxiv.org/abs/2411.16132v1
• Date: Mon, 25 Nov 2024 06:43:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-26 14:20:34.941669
• Title: TreeFormer: Single-view Plant Skeleton Estimation via Tree-constrained Graph Generation
• Title（参考訳）: TreeFormer: 木制約グラフ生成による単ビュープラント骨格推定
• Authors: Xinpeng Liu, Hiroaki Santo, Yosuke Toda, Fumio Okura,
• Abstract要約: 木制約グラフ生成による植物骨格推定装置であるTreeFormerを提案する。 学習に基づくグラフ生成と従来のグラフアルゴリズムを組み合わせることで,学習ループの制約を課す。 実験の結果,本手法は複数領域の植物骨格構造を正確に推定できることがわかった。
• 参考スコア（独自算出の注目度）: 13.507708659476064
• License:
• Abstract: Accurate estimation of plant skeletal structure (e.g., branching structure) from images is essential for smart agriculture and plant science. Unlike human skeletons with fixed topology, plant skeleton estimation presents a unique challenge, i.e., estimating arbitrary tree graphs from images. While recent graph generation methods successfully infer thin structures from images, it is challenging to constrain the output graph strictly to a tree structure. To this problem, we present TreeFormer, a plant skeleton estimator via tree-constrained graph generation. Our approach combines learning-based graph generation with traditional graph algorithms to impose the constraints during the training loop. Specifically, our method projects an unconstrained graph onto a minimum spanning tree (MST) during the training loop and incorporates this prior knowledge into the gradient descent optimization by suppressing unwanted feature values. Experiments show that our method accurately estimates target plant skeletal structures for multiple domains: Synthetic tree patterns, real botanical roots, and grapevine branches. Our implementations are available at https://github.com/huntorochi/TreeFormer/.
• Abstract（参考訳）: 画像からの植物の骨格構造(例えば枝分かれ構造)の正確な推定は、スマート農業や植物科学にとって不可欠である。 固定されたトポロジーを持つヒトの骨格とは異なり、植物骨格推定は、画像から任意の木グラフを推定する、というユニークな課題を示す。 最近のグラフ生成手法では,画像から細い構造を推測することに成功したが,出力グラフを木構造に厳密に拘束することは困難である。 そこで本研究では,木制約グラフ生成による植物骨格推定装置であるTreeFormerを提案する。 学習に基づくグラフ生成と従来のグラフアルゴリズムを組み合わせることで,学習ループの制約を課す。 具体的には、トレーニングループ中に制約のないグラフを最小スパンニングツリー(MST)に投影し、この事前知識を不要な特徴値の抑制により勾配降下最適化に組み込む。 実験により,本手法は,複数領域の植物骨格構造を正確に推定することを示した。 私たちの実装はhttps://github.com/huntorochi/TreeFormer/で利用可能です。

関連論文リスト

• Forecasting with Hyper-Trees [50.72190208487953]
  Hyper-Treesは時系列モデルのパラメータを学習するために設計されている。 対象とする時系列モデルのパラメータを特徴に関連付けることで、Hyper-Treesはパラメータ非定常性の問題にも対処する。 この新しいアプローチでは、木はまず入力特徴から情報表現を生成し、浅いネットワークはターゲットモデルパラメータにマップする。
  論文  参考訳（メタデータ） (2024-05-13T15:22:15Z)
• NodeFormer: A Scalable Graph Structure Learning Transformer for Node Classification [70.51126383984555]
  本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。 効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。 グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
  論文  参考訳（メタデータ） (2023-06-14T09:21:15Z)
• Graph Generation with Diffusion Mixture [57.78958552860948]
  グラフの生成は、非ユークリッド構造の複雑な性質を理解する必要がある実世界のタスクにとって大きな課題である。 本稿では,拡散過程の最終グラフ構造を明示的に学習することにより,グラフのトポロジーをモデル化する生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-07T17:07:46Z)
• A Simple yet Effective Method for Graph Classification [7.397201068210497]
  学習過程を簡素化しつつ,グラフ分類性能の向上の可能性を検討する。 グラフ上の構造エントロピーにヒントを得て、データサンプルをグラフからコードツリーに変換する。 本稿では,木カーネルと畳み込みネットワークを提案し,グラフ分類の手法を実装した。
  論文  参考訳（メタデータ） (2022-06-06T07:24:44Z)
• Social Interpretable Tree for Pedestrian Trajectory Prediction [75.81745697967608]
  本稿では,このマルチモーダル予測課題に対処するため,SIT(Social Interpretable Tree)と呼ばれる木に基づく手法を提案する。 木の根から葉までの経路は、個々の将来の軌跡を表す。 ETH-UCYとStanford Droneのデータセットによる実験結果からは,手作り木にもかかわらず,我々の手法が最先端の手法の性能に適合または超えることを示した。
  論文  参考訳（メタデータ） (2022-05-26T12:18:44Z)
• Explanation Graph Generation via Pre-trained Language Models: An Empirical Study with Contrastive Learning [84.35102534158621]
  エンドツーエンドで説明グラフを生成する事前学習言語モデルについて検討する。 本稿では,ノードとエッジの編集操作によるグラフ摂動の簡易かつ効果的な方法を提案する。 提案手法は,説明グラフの構造的精度と意味的精度を両立させる。
  論文  参考訳（メタデータ） (2022-04-11T00:58:27Z)
• Tree in Tree: from Decision Trees to Decision Graphs [2.2336243882030025]
  Tree in Tree decision graph (TnT)は、従来の決定木をより汎用的で強力な非巡回グラフに拡張するフレームワークである。 提案するモデルは,広く用いられている決定木に代わる,新しい,より効率的かつ正確な代替手段である。
  論文  参考訳（メタデータ） (2021-10-01T13:20:05Z)
• Structural Optimization Makes Graph Classification Simpler and Better [5.770986723520119]
  モデル学習プロセスを簡素化しつつ,グラフ分類性能の向上の可能性を検討する。 構造情報アセスメントの進歩に触発されて、グラフから木をコードするデータサンプルを最適化する。 本稿では,木カーネルと畳み込みネットワークにこのスキームを実装し,グラフ分類を行う。
  論文  参考訳（メタデータ） (2021-09-05T08:54:38Z)
• TD-GEN: Graph Generation With Tree Decomposition [31.751200416677225]
  TD-GENは木分解に基づくグラフ生成フレームワークである。 ツリーノードはスーパーノードであり、それぞれがグラフ内のノードのクラスタを表す。
  論文  参考訳（メタデータ） (2021-06-20T08:57:43Z)
• Neural Trees for Learning on Graphs [19.05038106825347]
  グラフニューラルネットワーク(GNN)は、グラフを学習するための柔軟で強力なアプローチとして登場した。 我々はニューラルツリーという新しいGNNアーキテクチャを提案する。 神経木アーキテクチャは無向グラフ上の任意の滑らかな確率分布関数を近似できることを示す。
  論文  参考訳（メタデータ） (2021-05-15T17:08:20Z)
• Visualizing hierarchies in scRNA-seq data using a density tree-biased autoencoder [50.591267188664666]
  本研究では,高次元scRNA-seqデータから意味のある木構造を同定する手法を提案する。 次に、低次元空間におけるデータのツリー構造を強調する木バイアスオートエンコーダDTAEを紹介する。
  論文  参考訳（メタデータ） (2021-02-11T08:48:48Z)

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。