論文の概要: GroMo: Plant Growth Modeling with Multiview Images
- arxiv url: http://arxiv.org/abs/2503.06608v1
- Date: Sun, 09 Mar 2025 13:23:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-11 15:50:25.090188
- Title: GroMo: Plant Growth Modeling with Multiview Images
- Title（参考訳）: GroMo:マルチビュー画像を用いた植物成長モデリング
- Authors: Ruchi Bhatt, Shreya Bansal, Amanpreet Chander, Rupinder Kaur, Malya Singh, Mohan Kankanhalli, Abdulmotaleb El Saddik, Mukesh Kumar Saini,
- Abstract要約: 本稿では,植物齢予測と葉数推定の2つの主要な課題を対象とした成長モデル(GroMo)課題を提案する。
GroMo Challengeは、植物の成長を追跡し予測するための革新的なソリューションを奨励することで、植物の表現型研究を進めることを目的としている。
- 参考スコア（独自算出の注目度）: 3.7287379829068805
- License:
- Abstract: Understanding plant growth dynamics is essential for applications in agriculture and plant phenotyping. We present the Growth Modelling (GroMo) challenge, which is designed for two primary tasks: (1) plant age prediction and (2) leaf count estimation, both essential for crop monitoring and precision agriculture. For this challenge, we introduce GroMo25, a dataset with images of four crops: radish, okra, wheat, and mustard. Each crop consists of multiple plants (p1, p2, ..., pn) captured over different days (d1, d2, ..., dm) and categorized into five levels (L1, L2, L3, L4, L5). Each plant is captured from 24 different angles with a 15-degree gap between images. Participants are required to perform both tasks for all four crops with these multiview images. We proposed a Multiview Vision Transformer (MVVT) model for the GroMo challenge and evaluated the crop-wise performance on GroMo25. MVVT reports an average MAE of 7.74 for age prediction and an MAE of 5.52 for leaf count. The GroMo Challenge aims to advance plant phenotyping research by encouraging innovative solutions for tracking and predicting plant growth. The GitHub repository is publicly available at https://github.com/mriglab/GroMo-Plant-Growth-Modeling-with-Multiview-Images.
- Abstract（参考訳）: 植物成長のダイナミクスを理解することは、農業や植物表現学への応用に不可欠である。
本稿では,(1)植物の生長予測と(2)葉数推定の2つの主要な課題として,作物モニタリングと精密農業に不可欠な成長モデル(GroMo)課題を提案する。
この課題に対して、私たちは、ラディッシュ、オクラ、小麦、マスタードの4つの作物の画像を含むデータセットであるGroMo25を紹介します。
各作物は、異なる日(d1、d2、...、dm)で捕獲された複数の植物(p1、p2、...、pn)からなり、5つのレベル(L1、L2、L3、L4、L5)に分類される。
各植物は、画像間の15度の間隔で、24の異なる角度から捕獲される。
参加者は、これらのマルチビュー画像を用いて、4つの作物すべてに対して両方のタスクを実行する必要がある。
我々は、GroMoチャレンジのためのMultiview Vision Transformer (MVVT)モデルを提案し、GroMo25上での収穫性能を評価した。
MVVTは、年齢予測では平均7.74MA、葉数では5.52MAEを報告している。
GroMo Challengeは、植物の成長を追跡し予測するための革新的なソリューションを奨励することで、植物の表現型研究を進めることを目的としている。
GitHubリポジトリはhttps://github.com/mriglab/GroMo-Plant-Growth-Modeling-with-Multiview-Imagesで公開されている。
関連論文リスト
- Agtech Framework for Cranberry-Ripening Analysis Using Vision Foundation Models [1.5728609542259502]
航空画像と地上画像を用いたクランベリー作物の熟成過程を特徴付ける枠組みを開発した。
この作品はこの種の最初のものであり、クランベリーやワインブドウ、オリーブ、ブルーベリー、トウモロコシなど他の作物に将来的な影響を及ぼす。
論文 参考訳（メタデータ） (2024-12-12T22:03:33Z) - Generating Diverse Agricultural Data for Vision-Based Farming Applications [74.79409721178489]
このモデルは, 植物の成長段階, 土壌条件の多様性, 照明条件の異なるランダム化フィールド配置をシミュレートすることができる。
我々のデータセットにはセマンティックラベル付き12,000の画像が含まれており、精密農業におけるコンピュータビジョンタスクの包括的なリソースを提供する。
論文 参考訳（メタデータ） (2024-03-27T08:42:47Z) - Multi-growth stage plant recognition: a case study of Palmer amaranth
(Amaranthus palmeri) in cotton (Gossypium hirsutum) [0.3441021278275805]
綿花中のAmaranthus palmeriの8クラス成長段階の認識について検討した。
YOLO v3、v5、v6、v6 3.0、v7、v8から26の異なるアーキテクチャのバリエーションを比較します。
すべての成長段階のクラスを認識できるmAP@[0.5:0.95]は、v8-Xで47.34%であった。
論文 参考訳（メタデータ） (2023-07-28T21:14:43Z) - 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) - MulT: An End-to-End Multitask Learning Transformer [66.52419626048115]
我々はMulTと呼ばれるエンドツーエンドのマルチタスク学習トランスフォーマフレームワークを提案し、複数のハイレベル視覚タスクを同時に学習する。
本フレームワークは,入力画像を共有表現にエンコードし,タスク固有のトランスフォーマーベースのデコーダヘッドを用いて各視覚タスクの予測を行う。
論文 参考訳（メタデータ） (2022-05-17T13:03:18Z) - ViTAEv2: Vision Transformer Advanced by Exploring Inductive Bias for
Image Recognition and Beyond [76.35955924137986]
我々は、内在性IBを畳み込み、すなわちViTAEから探索するビジョントランスフォーマーを提案する。
ViTAEはいくつかの空間ピラミッド縮小モジュールを備えており、入力イメージをリッチなマルチスケールコンテキストでトークンに埋め込む。
我々は、ImageNet検証セット上で88.5%のTop-1分類精度と、ImageNet実検証セット上で最高の91.2%のTop-1分類精度を得る。
論文 参考訳（メタデータ） (2022-02-21T10:40:05Z) - Multi-resolution Outlier Pooling for Sorghum Classification [4.434302808728865]
Sorghum-100データセットは,最先端のガントリーシステムによって得られたソルガムのRGB画像の大規模なデータセットである。
Dynamic Outlier Poolingと呼ばれる新しいグローバルプール戦略は、このタスクにおける標準的なグローバルプール戦略より優れています。
論文 参考訳（メタデータ） (2021-06-10T13:57:33Z) - Temporal Prediction and Evaluation of Brassica Growth in the Field using
Conditional Generative Adversarial Networks [1.2926587870771542]
植物の成長予測は、多種多様な環境要因によって影響を受けるため、大きな課題である。
本稿では,高スループット撮像センサ測定とその自動解析を含む新しいモニタリング手法を提案する。
提案手法のコアは条件付き生成型adversarial networkに基づく新しい機械学習ベースの成長モデルである。
論文 参考訳（メタデータ） (2021-05-17T13:00:01Z) - Deep Multi-view Image Fusion for Soybean Yield Estimation in Breeding
Applications Deep Multi-view Image Fusion for Soybean Yield Estimation in
Breeding Applications [7.450586438835518]
本研究の目的は,ダイズポッドカウントに適応する機械学習(ML)アプローチを開発することである。
ディープラーニングアーキテクチャを用いた多視点画像に基づく収量推定フレームワークを開発した。
以上の結果から,MLモデルが時間と労力を大幅に削減して繁殖決定を下すことが示唆された。
論文 参考訳（メタデータ） (2020-11-13T20:37:04Z) - 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) - Agriculture-Vision: A Large Aerial Image Database for Agricultural
Pattern Analysis [110.30849704592592]
本稿では,農業パターンのセマンティックセグメンテーションのための大規模空中農地画像データセットであるGarmry-Visionを提案する。
各画像はRGBと近赤外線(NIR)チャンネルで構成され、解像度は1ピクセルあたり10cmである。
農家にとって最も重要な9種類のフィールド異常パターンに注釈を付ける。
論文 参考訳（メタデータ） (2020-01-05T20:19:33Z)
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。