論文の概要: Three-dimentional reconstruction of complex, dynamic population canopy architecture for crops with a novel point cloud completion model: A case study in Brassica napus rapeseed

• arxiv url: http://arxiv.org/abs/2506.18292v2
• Date: Fri, 01 Aug 2025 03:35:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-04 14:06:53.421376
• Title: Three-dimentional reconstruction of complex, dynamic population canopy architecture for crops with a novel point cloud completion model: A case study in Brassica napus rapeseed
• Title（参考訳）: 新しい点雲完備モデルによる作物の複雑な動的個体群キャノピー建築の3次元再構築--Brassica napus rapeseedを事例として
• Authors: Ziyue Guo, Xin Yang, Yutao Shen, Yang Zhu, Lixi Jiang, Haiyan Cen,
• Abstract要約: 本研究では, 複雑でダイナミックな個体群キャノピーの3次元再構築手法を提案する。 トレーニングデータセットの自動アノテーションのために、完全なポイントクラウド生成フレームワークが開発された。 次に,多分解能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,閉鎖点の予測を行った。
• 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 the complete canopy architecture are essential for accurately evaluating crop photosynthesis and yield performance to guide ideotype design. Although various sensing technologies have been developed for three-dimensional (3D) reconstruction of individual plants and canopies, they failed to obtain an accurate description of canopy architectures due to severe occlusion among complex canopy architectures. We proposed an effective method for 3D reconstruction of complex, dynamic population canopy architecture for rapeseed crops with a novel point cloud completion model. A complete point cloud generation framework was developed for automated annotation of the training dataset by distinguishing surface points from occluded points within canopies. The crop population point cloud completion network (CP-PCN) was then designed with a multi-resolution dynamic graph convolutional encoder (MRDG) and a point pyramid decoder (PPD) to predict occluded points. To further enhance feature extraction, a dynamic graph convolutional feature extractor (DGCFE) module was proposed to capture structural variations over the whole rapeseed growth period. The results demonstrated that CP-PCN achieved chamfer distance (CD) values of 3.35 cm -4.51 cm over four growth stages, outperforming the state-of-the-art transformer-based method (PoinTr). Ablation studies confirmed the effectiveness of the MRDG and DGCFE modules. Moreover, the validation experiment demonstrated that the silique efficiency index developed from CP-PCN improved the overall accuracy of rapeseed yield prediction by 11.2% compared to that of using incomplete point clouds. The CP-PCN pipeline has the potential to be extended to other crops, significantly advancing the quantitatively analysis of in-field population canopy architectures.
• Abstract（参考訳）: 完全天蓋建築の定量的な記述は、作物の光合成と収量性能を正確に評価し、イデオタイプの設計を導くのに不可欠である。 個々の植物やキャノピーの3次元再構築のために様々なセンシング技術が開発されているが、複雑なキャノピー建築間の密接な閉塞によるキャノピー建築の正確な記述は得られなかった。 そこで我々は,新しい点雲完了モデルを用いて,複雑でダイナミックな個体群天蓋構造を3次元再構築する有効な方法を提案した。 学習データセットの自動アノテーションのための完全点クラウド生成フレームワークを開発した。 次に,多分解能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,閉鎖点の予測を行った。 動的グラフ畳み込み特徴抽出器 (DGCFE) モジュールは, 急速成長期間全体における構造変化を捉えるため, 特徴抽出をさらに強化するため, 動的グラフ畳み込み特徴抽出器 (DGCFE) モジュールを提案した。 その結果, CP-PCN は4つの成長段階において, 3.35 cm -4.51 cm のチャンファー距離 (CD) を達成し, 最先端トランス法 (PoinTr) よりも優れていた。 アブレーション試験によりMDDGおよびDGCFEモジュールの有効性が確認された。 さらに,CP-PCNから開発された斜め効率指数は,不完全点雲を用いた場合と比較して,ラプセド収率予測の総合精度を11.2%向上することを示した。 CP-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、フィールド内の個体群キャノピーアーキテクチャの定量的解析を大幅に進めている。

関連論文リスト

• Graph-Based Deep Learning for Component Segmentation of Maize Plants [0.0]
  本稿では,LiDAR 3D Point Cloudデータセット上で個々の植物成分を検出するための新しいDeep Learningアーキテクチャを提案する。 このアーキテクチャはグラフニューラルネットワーク(GNN)の概念と主成分分析(PCA)による機能強化に基づいている。 グラフに基づく深層学習手法は,個々の植物成分を同定するためのセグメンテーション精度を高め,IoU平均の80%以上を達成している。
  論文  参考訳（メタデータ） (2025-06-30T18:44:27Z)
• A Novel WaveInst-based Network for Tree Trunk Structure Extraction and Pattern Analysis in Forest Inventory [2.793797265684592]
  本研究では、離散ウェーブレット変換を含む新しいWaveInstインスタンスセグメンテーションフレームワークを提案し、ツリー構造抽出を改善する。 提案モデルの実験結果から,SynthTree43k,CaneTree100,Urban Street,PoplarDatasetの性能が向上した。 提案手法は, 成熟樹と若葉樹の構造抽出における平均精度を49.6および24.3とし, 既存手法を9.9倍に上回った。
  論文  参考訳（メタデータ） (2025-05-03T02:19:55Z)
• PCE-GAN: A Generative Adversarial Network for Point Cloud Attribute Quality Enhancement based on Optimal Transport [56.56430888985025]
  点雲品質向上のための生成逆ネットワーク(PCE-GAN)を提案する。 ジェネレータは、局所特徴抽出(LFE)ユニット、大域空間相関(GSC)ユニット、特徴圧縮ユニットからなる。 判別器は、強化点雲と原点雲の確率分布のずれを計算し、ジェネレータを誘導して高品質な再構成を実現する。
  論文  参考訳（メタデータ） (2025-02-26T07:34:33Z)
• 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)
• ArchComplete: Autoregressive 3D Architectural Design Generation with Hierarchical Diffusion-Based Upsampling [0.0]
  ArchCompleteはベクトル量子化モデルからなる2段階のボクセルベースの3D生成パイプラインである。 パイプラインのキーとなるのは、(i) 2.5Dの知覚的損失とともに最適化された、ローカルなパッチ埋め込みのコンテキスト的にリッチなコードブックを学習することです。 ArchCompleteは643ドルという解像度で自動回帰的にモデルを生成し、それを5123ドルまで改良する。
  論文  参考訳（メタデータ） (2024-12-23T20:13:27Z)
• PointRWKV: Efficient RWKV-Like Model for Hierarchical Point Cloud Learning [56.14518823931901]
  NLP分野におけるRWKVモデルから導かれる線形複雑性のモデルであるPointRWKVを提案する。 まず,改良型マルチヘッド行列値状態を用いて,PointRWKVブロック内のグローバル処理機能について検討する。 局所的な幾何学的特徴を同時に抽出するために,グラフ安定化器を用いた固定半径近傍グラフにおいて,点雲を効率的に符号化する並列分岐を設計する。
  論文  参考訳（メタデータ） (2024-05-24T05:02:51Z)
• ParaPoint: Learning Global Free-Boundary Surface Parameterization of 3D Point Clouds [52.03819676074455]
  ParaPointは、グローバルな自由境界面パラメータ化を実現するための教師なしのニューラルネットワークパイプラインである。 この研究は、グローバルマッピングと自由境界の両方を追求するニューラルポイントクラウドパラメータ化を調査する最初の試みである。
  論文  参考訳（メタデータ） (2024-03-15T14:35:05Z)
• 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)
• Variational Relational Point Completion Network for Robust 3D Classification [59.80993960827833]
  可変点雲補完法は、局所的な詳細を欠くため、大域的な形状の骨格を生成する傾向がある。 本稿では2つの魅力的な特性を持つ変分フレームワークであるポイントコンプリートネットワーク(VRCNet)を提案する。 VRCNetは、現実世界のポイントクラウドスキャンにおいて、非常に一般化性と堅牢性を示している。
  論文  参考訳（メタデータ） (2023-04-18T17:03:20Z)
• 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)
• Reconstructing Compact Building Models from Point Clouds Using Deep Implicit Fields [4.683612295430956]
  我々は点雲からコンパクトで水密な多角形建築モデルを再構築するための新しい枠組みを提案する。 合成および実世界の点雲の両方の実験により、我々の神経誘導戦略により、高品質な建築モデルは、忠実性、コンパクト性、計算効率において大きな利点をもって得られることが実証された。
  論文  参考訳（メタデータ） (2021-12-24T21:32:32Z)
• 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。