論文の概要: Rapeseed population point cloud completion network (RP-PCN) with dynamic graph convolution for 3D reconstruction of crop canopy occlusion architecture

• arxiv url: http://arxiv.org/abs/2506.18292v1
• Date: Mon, 23 Jun 2025 05:02:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-24 19:06:36.862806
• Title: Rapeseed population point cloud completion network (RP-PCN) with dynamic graph convolution for 3D reconstruction of crop canopy occlusion architecture
• Title（参考訳）: 動的グラフ畳み込みによる農作物林冠閉塞構造の3次元再構築のためのラプス型集団点雲完成ネットワーク(RP-PCN)
• Authors: Ziyue Guo, Xin Yang, Yutao Shen, Yang Zhu, Lixi Jiang, Haiyan Cen,
• Abstract要約: そこで本研究では,シードからシリドステージまでのラピス個体群を3次元再構成するための点雲補完モデルを提案する。 仮想現実統合(VRI)シミュレーション手法を用いて,完全点クラウド生成フレームワークを開発した。 群落の完全点雲から建築指標を用いて収量を予測することにより, 点雲完成の有効性を検証した。
• 参考スコア（独自算出の注目度）: 4.377318975816766
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantitative descriptions of complete canopy architecture are crucial for evaluating crop photosynthesis and yield to guide ideotype design. Although three-dimensional (3D) sensing technologies have been developed for plant and canopy reconstruction, severe occlusion and complex architectures hinder accurate canopy descriptions. In this study, we propose a point cloud completion model for 3D reconstruction of rapeseed populations from seeding to silique stages using multi-view imaging. A complete point cloud generation framework was developed with the virtual-real integration (VRI) simulation method and occlusion point detection algorithm to annotate the training dataset by distinguishing surface from occluded points. The rapeseed population point cloud completion network (RP-PCN) was designed with a multi-resolution dynamic graph convolutional encoder (MRDG) and point pyramid decoder (PPD) to predict occluded points based on input surface point clouds. A dynamic graph convolutional feature extractor (DGCFE) was introduced to capture structural variations across the growth period. The effectiveness of point cloud completion was validated by predicting yield using architectural indicators from complete point clouds of rapeseed population. The results demonstrated that RP-PCN achieved chamfer distance (CD) values of 3.35 cm, 3.46 cm, 4.32 cm, and 4.51 cm at the seedling, bolting, flowering, and silique stages, respectively. Ablation studies showed the effectiveness of the MRDG and DGCFE modules, reducing CD values by 10% and 23%, respectively. The silique efficiency index (SEI) from RP-PCN improved yield prediction accuracy by 11.2% compared to incomplete point clouds. The RP-PCN pipeline proposed in this study has the potential to be extended to other crops, significantly enhancing the analysis of population canopy architectures in field environments.
• Abstract（参考訳）: 完全天蓋建築の定量的な記述は、作物光合成の評価と、イデオタイプ設計の指針となる収量に不可欠である。 3次元3次元センシング技術は, 植物とキャノピーの再現のために開発されているが, 厳密な閉塞と複雑な構造は正確なキャノピー記述を妨げている。 そこで本研究では,マルチビュー画像を用いた3次元個体群再構成のための点雲補完モデルを提案する。 仮想現実統合(VRI)シミュレーションとオクルージョンポイント検出アルゴリズムを用いて,表面を閉塞点と区別してトレーニングデータセットにアノテートする完全点クラウド生成フレームワークを開発した。 マルチレゾリューション動的グラフ畳み込みエンコーダ (MRDG) と点ピラミッドデコーダ (PPD) を用いて, 入力表面点雲に基づく閉塞点の予測を行った。 動的グラフ畳み込み特徴抽出器 (DGCFE) を導入し, 成長期間における構造変化を把握した。 群落の完全点雲から建築指標を用いて収量を予測することにより, 点雲完成の有効性を検証した。 その結果, RP-PCNは, 育苗, ボルト, 開花, シリドステージにおいて, それぞれ3.35cm, 3.46cm, 4.32cm, 4.51cmのチャムファー距離(CD)を達成できた。 アブレーション試験ではMDDGおよびDGCFEモジュールの有効性が示され,CD値はそれぞれ10%,DGCFEは23%減少した。 RP-PCNの潮流効率指数(SEI)は不完全点雲に比べて11.2%精度が向上した。 本研究で提案したRP-PCNパイプラインは、他の作物にも拡張される可能性があり、野外環境における個体群キャノピー構造の解析を著しく向上させる。

関連論文リスト

• GP-GS: Gaussian Processes for Enhanced Gaussian Splatting [15.263608848427136]
  本稿では,新しい3次元再構成フレームワークであるGaussian Processes enhanced Gaussian Splatting (GP-GS)を提案する。 GP-GSはスパース構造-運動点雲の適応的および不確実性誘導密度化を可能にする。 合成および実世界のデータセットで行った実験は、提案フレームワークの有効性と実用性を検証する。
  論文  参考訳（メタデータ） (2025-02-04T12:50:16Z)
• Dynamic 3D Point Cloud Sequences as 2D Videos [81.46246338686478]
  3Dポイントクラウドシーケンスは、現実世界の環境における最も一般的で実用的な表現の1つとして機能する。 textitStructured Point Cloud Videos (SPCV) と呼ばれる新しい汎用表現を提案する。 SPCVは点雲列を空間的滑らかさと時間的一貫性を持つ2Dビデオとして再編成し、画素値は点の3D座標に対応する。
  論文  参考訳（メタデータ） (2024-03-02T08:18:57Z)
• PointAttN: You Only Need Attention for Point Cloud Completion [89.88766317412052]
  ポイント・クラウド・コンプリート(Point cloud completion)とは、部分的な3次元ポイント・クラウドから3次元の形状を完成させることである。 そこで我々は,kNNを除去するために,ポイントクラウドをポイント単位に処理する新しいニューラルネットワークを提案する。 提案するフレームワークであるPointAttNはシンプルで簡潔で効果的であり、3次元形状の構造情報を正確に捉えることができる。
  論文  参考訳（メタデータ） (2022-03-16T09:20:01Z)
• PMP-Net++: Point Cloud Completion by Transformer-Enhanced Multi-step Point Moving Paths [60.32185890237936]
  我々は、地球移動体の動作を模倣する新しいニューラルネットワーク、PMP-Net++を設計する。 不完全入力の各点を移動させ、点移動経路(PMP)の総距離が最短となる完全点雲を得る。 ネットワークは点レベルの厳密でユニークな対応を学習し、予測された完全形状の品質を向上させる。
  論文  参考訳（メタデータ） (2022-02-19T03:00:40Z)
• A Conditional Point Diffusion-Refinement Paradigm for 3D Point Cloud Completion [69.32451612060214]
  実スキャンされた3Dポイントクラウドはしばしば不完全であり、下流アプリケーションのために完全なポイントクラウドを復元することが重要である。 ほとんどの既存のポイントクラウド補完方法は、トレーニングにチャンファー距離(CD)損失を使用する。 本稿では,点雲完了のためのPDR(Point Diffusion-Refinement)パラダイムを提案する。
  論文  参考訳（メタデータ） (2021-12-07T06:59:06Z)
• PMP-Net: Point Cloud Completion by Learning Multi-step Point Moving Paths [54.459879603473034]
  我々はPMP-Netと呼ばれる新しいニューラルネットワークを設計し、地球移動体の動作を模倣する。 不完全な入力の各点を移動させ、ポイントクラウドを完結させ、ポイント移動パスの合計距離が最も短くなる。 点レベルの厳密でユニークな対応を学習し、不完全な形状と完全なターゲットの間の詳細なトポロジーと構造的関係を捉えることができる。
  論文  参考訳（メタデータ） (2020-12-07T01:34:38Z)

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。