論文の概要: MaizeEar-SAM: Zero-Shot Maize Ear Phenotyping
- arxiv url: http://arxiv.org/abs/2502.13399v1
- Date: Wed, 19 Feb 2025 03:18:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-20 13:59:51.833960
- Title: MaizeEar-SAM: Zero-Shot Maize Ear Phenotyping
- Title（参考訳）: MaizeEar-SAM:Zero-Shot Maize Ear Phenotyping
- Authors: Hossein Zaremehrjerdi, Lisa Coffey, Talukder Jubery, Huyu Liu, Jon Turkus, Kyle Linders, James C. Schnable, Patrick S. Schnable, Baskar Ganapathysubramanian,
- Abstract要約: エーカー当たりの穀物収量は、エーカー当たりの植物数、植物当たりの耳数、耳当たりの核数、および平均核重量を乗じることで計算される。
これら2つの特性を測定する従来の手作業の手法は時間を要するため、大規模なデータ収集が制限される。
提案手法は多種多様なトウモロコシの耳にまたがる1列あたりのカーネル数を同定する。
- 参考スコア（独自算出の注目度）: 0.9659487278134938
- License:
- Abstract: Quantifying the variation in yield component traits of maize (Zea mays L.), which together determine the overall productivity of this globally important crop, plays a critical role in plant genetics research, plant breeding, and the development of improved farming practices. Grain yield per acre is calculated by multiplying the number of plants per acre, ears per plant, number of kernels per ear, and the average kernel weight. The number of kernels per ear is determined by the number of kernel rows per ear multiplied by the number of kernels per row. Traditional manual methods for measuring these two traits are time-consuming, limiting large-scale data collection. Recent automation efforts using image processing and deep learning encounter challenges such as high annotation costs and uncertain generalizability. We tackle these issues by exploring Large Vision Models for zero-shot, annotation-free maize kernel segmentation. By using an open-source large vision model, the Segment Anything Model (SAM), we segment individual kernels in RGB images of maize ears and apply a graph-based algorithm to calculate the number of kernels per row. Our approach successfully identifies the number of kernels per row across a wide range of maize ears, showing the potential of zero-shot learning with foundation vision models combined with image processing techniques to improve automation and reduce subjectivity in agronomic data collection. All our code is open-sourced to make these affordable phenotyping methods accessible to everyone.
- Abstract（参考訳）: トウモロコシ(Zea mays L.)の収量成分特性の変動を定量化し、この世界の重要な作物の全体的な生産性を決定することにより、植物遺伝学の研究、植物育種、改良された農業慣行の発展において重要な役割を担っている。
エーカー当たりの穀物収量は、エーカー当たりの植物数、植物当たりの耳数、耳当たりの核数、および平均核重量を乗じることで計算される。
耳1つあたりのカーネル数は、耳1つあたりのカーネル数と、列1つあたりのカーネル数とで乗じて決定される。
これら2つの特性を測定する従来の手作業の手法は時間を要するため、大規模なデータ収集が制限される。
画像処理とディープラーニングを用いた最近の自動化作業は、高アノテーションコストや不確実な一般化性といった課題に直面している。
我々は、ゼロショットでアノテーションなしのMaizeカーネルセグメンテーションのためのLarge Vision Modelsを探索することで、これらの課題に対処する。
オープンソースの大規模ビジョンモデルSegment Anything Model (SAM)を用いて、個々のカーネルをトウモロコシ耳のRGB画像に分割し、グラフベースのアルゴリズムを用いて1行あたりのカーネル数を算出する。
提案手法は多種多様なトウモロコシの耳にまたがる1列当たりのカーネル数を同定し,ゼロショット学習と基礎視覚モデル,画像処理技術を組み合わせることにより,農業データ収集の自動化と主観性を向上する可能性を示した。
当社のコードはすべてオープンソースで、誰もが手頃な価格で表現可能なメソッドを利用できるようにしています。
関連論文リスト
- ZoomLDM: Latent Diffusion Model for multi-scale image generation [57.639937071834986]
複数のスケールで画像を生成するための拡散モデルZoomLDMを提案する。
我々のアプローチの中心は、自己教師あり学習(SSL)埋め込みを利用した、新たな拡大対応条件付け機構である。
ZoomLDMは、すべてのスケールにわたる最先端の画像生成品質を実現し、大きな画像全体のサムネイルを生成するデータスカース設定に優れています。
論文 参考訳（メタデータ） (2024-11-25T22:39:22Z) - Retrieval Augmented Recipe Generation [96.43285670458803]
本稿では,レシピ生成のための拡張型大規模マルチモーダルモデルを提案する。
既存のデータストアからサプリメントとして、イメージにセマンティックに関連付けられたレシピを検索する。
生成したレシピ候補間の一貫性を計算し、異なる検索レシピを生成のコンテキストとして使用する。
論文 参考訳（メタデータ） (2024-11-13T15:58:50Z) - SatSynth: Augmenting Image-Mask Pairs through Diffusion Models for Aerial Semantic Segmentation [69.42764583465508]
我々は,地球観測における注釈付きデータの不足に対処するために,生成的画像拡散の可能性を探る。
我々の知る限りでは、衛星セグメンテーションのための画像と対応するマスクの両方を最初に生成する。
論文 参考訳（メタデータ） (2024-03-25T10:30:22Z) - Self-Supervised Neuron Segmentation with Multi-Agent Reinforcement
Learning [53.00683059396803]
マスク画像モデル(MIM)は,マスク画像から元の情報を復元する簡便さと有効性から広く利用されている。
本稿では、強化学習(RL)を利用して最適な画像マスキング比とマスキング戦略を自動検索する決定に基づくMIMを提案する。
本手法は,ニューロン分節の課題において,代替自己監督法に対して有意な優位性を有する。
論文 参考訳（メタデータ） (2023-10-06T10:40:46Z) - HarvestNet: A Dataset for Detecting Smallholder Farming Activity Using
Harvest Piles and Remote Sensing [50.4506590177605]
HarvestNetは、2020-2023年のエチオピアのティグレイとアムハラの農場の存在をマッピングするためのデータセットである。
本研究は,多くの小作システムの特徴ある収穫杭の検出に基づく新しい手法を提案する。
本研究は, 農作物のリモートセンシングが, 食品の安全地帯において, よりタイムリーかつ正確な農地評価に寄与することが示唆された。
論文 参考訳（メタデータ） (2023-08-23T11:03:28Z) - Seed Kernel Counting using Domain Randomization and Object Tracking Neural Networks [0.0]
本稿では,低コストなメカニカルホッパー,トレーニングされたYOLOv8ニューラルネットワークモデル,およびStrongSORTおよびByteTrack上のオブジェクト追跡アルゴリズムを用いて,ビデオからの穀物収量を推定するシードカーネルカウンタを提案する。
この実験では、StrongSORTアルゴリズムでそれぞれ95.2%、Wheatで93.2%、ByteTrackアルゴリズムでそれぞれ96.8%、Wheatで92.4%の精度でシードカーネル数が得られる。
論文 参考訳（メタデータ） (2023-08-10T19:56:15Z) - Kernel Continual Learning [117.79080100313722]
カーネル連続学習は、破滅的な忘れ事に取り組むための、シンプルだが効果的な連続学習の変種である。
エピソードメモリユニットは、カーネルリッジ回帰に基づいてタスク固有の分類器を学ぶために、各タスクのサンプルのサブセットを格納する。
タスク毎にデータ駆動カーネルを学ぶための変動ランダム機能。
論文 参考訳（メタデータ） (2021-07-12T22:09:30Z) - WheatNet: A Lightweight Convolutional Neural Network for High-throughput
Image-based Wheat Head Detection and Counting [12.735055892742647]
本研究では,小麦頭数を正確にかつ効率的に計算し,意思決定のためのリアルタイムデータ収集を支援する新しいディープラーニングフレームワークを提案する。
モデルコムギ網とよばれ,小麦畑の幅広い環境条件において,我々のアプローチが頑健かつ正確であることを実証する。
提案手法は, 小麦頭部計数タスクにおけるMAEとRMSEの3.85と5.19をそれぞれ達成し, 他の最先端手法に比べてパラメータが有意に少ない。
論文 参考訳（メタデータ） (2021-03-17T02:38:58Z) - High-Throughput Image-Based Plant Stand Count Estimation Using
Convolutional Neural Networks [23.67862313758282]
早期の表現学的段階における画像ベースコーンスタンド数に対するディープラーニングに基づくアプローチであるDeepStandを提案する。
提案手法はトウモロコシの立ち位置を計測し,他の最先端の方法よりも優れる。
論文 参考訳（メタデータ） (2020-10-23T17:28:29Z) - DeepCorn: A Semi-Supervised Deep Learning Method for High-Throughput
Image-Based Corn Kernel Counting and Yield Estimation [20.829106642703277]
本研究では,実時間データの収集を支援するために,フィールド内における実時間コーンカーネルをカウントする新しい深層学習手法を提案する。
DeepCornはトウモロコシの耳の画像中のトウモロコシの核の密度を推定し、推定された密度マップに基づいて核の数を予測する。
提案手法は, コーンカーネルカウントタスクにおいて, 41.36と60.27のMAEとRMSEをそれぞれ達成する。
論文 参考訳（メタデータ） (2020-07-20T23:00:39Z) - Convolutional Neural Networks for Image-based Corn Kernel Detection and
Counting [22.070850942573863]
発達したトウモロコシの耳は最大800個の核を持つ。
手動でトウモロコシの耳にカーネルを数えるのは、労働集約的であり、ヒューマンエラーを起こしやすい。
本稿では,スライディングウインドウアプローチに基づくカーネル検出とカウント手法を提案する。
論文 参考訳（メタデータ） (2020-03-26T16:46:23Z)
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。