論文の概要: Wheat3DGS: In-field 3D Reconstruction, Instance Segmentation and Phenotyping of Wheat Heads with Gaussian Splatting

• arxiv url: http://arxiv.org/abs/2504.06978v1
• Date: Wed, 09 Apr 2025 15:31:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-10 13:06:06.318449
• Title: Wheat3DGS: In-field 3D Reconstruction, Instance Segmentation and Phenotyping of Wheat Heads with Gaussian Splatting
• Title（参考訳）: Wheat3DGS:Gaussian Splattingを用いた小麦頭部の現場3D再構成, インスタンス分割, 気管切削
• Authors: Daiwei Zhang, Joaquin Gajardo, Tomislav Medic, Isinsu Katircioglu, Mike Boss, Norbert Kirchgessner, Achim Walter, Lukas Roth,
• Abstract要約: We present Wheat3DGS, a novel approach that leverageing 3DGS and the Segment Anything Model (SAM) for accurate 3D instance segmentation and morphological Measurement of hundreds of wheat head automatically。 高分解能レーザースキャンデータによるコムギの育種頭部抽出の精度を検証し, 長さ, 幅, 体積に対して15.1%, 18.3%, 40.2%の絶対値誤差が得られた。
• 参考スコア（独自算出の注目度）: 1.4100451538155885
• License:
• Abstract: Automated extraction of plant morphological traits is crucial for supporting crop breeding and agricultural management through high-throughput field phenotyping (HTFP). Solutions based on multi-view RGB images are attractive due to their scalability and affordability, enabling volumetric measurements that 2D approaches cannot directly capture. While advanced methods like Neural Radiance Fields (NeRFs) have shown promise, their application has been limited to counting or extracting traits from only a few plants or organs. Furthermore, accurately measuring complex structures like individual wheat heads-essential for studying crop yields-remains particularly challenging due to occlusions and the dense arrangement of crop canopies in field conditions. The recent development of 3D Gaussian Splatting (3DGS) offers a promising alternative for HTFP due to its high-quality reconstructions and explicit point-based representation. In this paper, we present Wheat3DGS, a novel approach that leverages 3DGS and the Segment Anything Model (SAM) for precise 3D instance segmentation and morphological measurement of hundreds of wheat heads automatically, representing the first application of 3DGS to HTFP. We validate the accuracy of wheat head extraction against high-resolution laser scan data, obtaining per-instance mean absolute percentage errors of 15.1%, 18.3%, and 40.2% for length, width, and volume. We provide additional comparisons to NeRF-based approaches and traditional Muti-View Stereo (MVS), demonstrating superior results. Our approach enables rapid, non-destructive measurements of key yield-related traits at scale, with significant implications for accelerating crop breeding and improving our understanding of wheat development.
• Abstract（参考訳）: 植物の形態的形質の自動抽出は,高スループットフィールド表現型(HTFP)による作物の育種と農業管理を支援するために重要である。 マルチビューRGB画像に基づくソリューションは、スケーラビリティと可利用性のために魅力的であり、2Dアプローチが直接キャプチャできないボリューム測定を可能にする。 NeRF(Neural Radiance Fields)のような先進的な手法は将来性を示しているが、その応用は少数の植物や臓器から形質を数えたり抽出したりすることに限定されている。 さらに, 作物収量研究に欠かせない個々の小麦頭などの複雑な構造を正確に測定した。 最近の3D Gaussian Splatting (3DGS) は、高品質な再構成と明示的な点ベース表現のため、HTFPの代替として有望である。 本稿では3DGSとSAMを利用した新しい手法であるWheat3DGSを提案する。 高分解能レーザースキャンデータから小麦頭部抽出の精度を検証し, 長さ, 幅, 体積に対して15.1%, 18.3%, 40.2%の絶対値誤差が得られた。 我々は、NeRFベースのアプローチと従来の Muti-View Stereo (MVS) との比較を行い、優れた結果を示した。 本手法は, 作物の育種を加速させ, コムギ栽培の理解を深める上で重要な意味を持つ, 主要な収量関連形質を大規模に迅速かつ非破壊的に測定することを可能にした。

関連論文リスト

• MaizeEar-SAM: Zero-Shot Maize Ear Phenotyping [0.9659487278134938]
  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。
  論文  参考訳（メタデータ） (2025-02-19T03:18:29Z)
• DSplats: 3D Generation by Denoising Splats-Based Multiview Diffusion Models [67.50989119438508]
  本稿では,ガウスをベースとしたレコンストラクタを用いて,リアルな3Dアセットを生成することで,マルチビュー画像を直接認識するDSplatを紹介した。 実験の結果,DSplatsは高品質で空間的に一貫した出力を生成できるだけでなく,単一画像から3次元再構成への新たな標準も設定できることがわかった。
  論文  参考訳（メタデータ） (2024-12-11T07:32:17Z)
• PUP 3D-GS: Principled Uncertainty Pruning for 3D Gaussian Splatting [59.277480452459315]
  本研究では,視覚的忠実度と前景の細部を高い圧縮比で保持する原理的感度プルーニングスコアを提案する。 また,トレーニングパイプラインを変更することなく,事前訓練した任意の3D-GSモデルに適用可能な複数ラウンドプルーファインパイプラインを提案する。
  論文  参考訳（メタデータ） (2024-06-14T17:53:55Z)
• R$^2$-Gaussian: Rectifying Radiative Gaussian Splatting for Tomographic Reconstruction [53.19869886963333]
  3次元ガウススプラッティング(3DGS)は画像のレンダリングと表面再構成において有望な結果を示した。 本稿では,Sparse-viewトモグラフィ再構成のための3DGSベースのフレームワークであるR2$-Gaussianを紹介する。
  論文  参考訳（メタデータ） (2024-05-31T08:39:02Z)
• Mesh2NeRF: Direct Mesh Supervision for Neural Radiance Field Representation and Generation [51.346733271166926]
  Mesh2NeRFは、3次元生成タスクのためのテクスチャメッシュから地上構造放射場を導出するアプローチである。 各種タスクにおけるMesh2NeRFの有効性を検証する。
  論文  参考訳（メタデータ） (2024-03-28T11:22:53Z)
• Instant Multi-View Head Capture through Learnable Registration [62.70443641907766]
  3次元頭部のデータセットを密接なセマンティック通信でキャプチャする既存の手法は遅い。 キャリブレーションされたマルチビュー画像から3Dヘッドを直接推定するためにTEMPEHを導入する。 1つの頭部の予測には0.3秒かかるが、中央値の復元誤差は0.26mmで、現在の最先端よりも64%低い。
  論文  参考訳（メタデータ） (2023-06-12T21:45:18Z)
• NeRF-GAN Distillation for Efficient 3D-Aware Generation with Convolutions [97.27105725738016]
  GAN(Generative Adversarial Networks)のようなニューラルラジアンスフィールド(NeRF)と生成モデルの統合は、単一ビュー画像から3D認識生成を変換した。 提案手法は,ポーズ条件付き畳み込みネットワークにおいて,事前学習したNeRF-GANの有界遅延空間を再利用し,基礎となる3次元表現に対応する3D一貫性画像を直接生成する手法である。
  論文  参考訳（メタデータ） (2023-03-22T18:59:48Z)
• Fusarium head blight detection, spikelet estimation, and severity assessment in wheat using 3D convolutional neural networks [0.0]
  フサリウム・ヘッド・ブライト(FHB)は、小麦やその他の穀物の穀物に影響を及ぼす最も重要な疾患の1つである。 本研究は,コムギに発現するFHB病症状の自動検出,コムギ頭部のスパイクレット数と感染スパイクレット数の自動評価,感染コムギにおけるFHB重症度の自動評価について検討した。
  論文  参考訳（メタデータ） (2023-03-10T00:46:32Z)
• Generative models-based data labeling for deep networks regression: application to seed maturity estimation from UAV multispectral images [3.6868861317674524]
  種子の成熟度モニタリングは、気候変動とより制限的な慣行による農業における課題の増加である。 従来の手法は、フィールドでの限られたサンプリングと実験室での分析に基づいている。 マルチスペクトルUAV画像を用いたパセリ種子の成熟度推定手法の提案と,自動ラベリングのための新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2022-08-09T09:06:51Z)
• 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)
• Global Wheat Head Detection (GWHD) dataset: a large and diverse dataset of high resolution RGB labelled images to develop and benchmark wheat head detection methods [0.0]
  いくつかの研究は、高解像度RGB画像から小麦頭部を検出する方法を開発した。 観察条件における可変性、遺伝子型の違い、発達段階、頭向きはコンピュータビジョンにおける課題を表している。 我々はGWHD(Global Wheat Head Detection)データセットという,大規模で多種多様で多彩なデータセットを構築しました。 4700枚の高解像度のRGB画像と、世界中の複数の国から収集された190,000個のラベル付き小麦頭が含まれている。
  論文  参考訳（メタデータ） (2020-04-25T14:20:26Z)

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。