論文の概要: Graph-Based Deep Learning for Component Segmentation of Maize Plants
- arxiv url: http://arxiv.org/abs/2507.00182v2
- Date: Wed, 02 Jul 2025 17:15:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-03 14:22:58.630122
- Title: Graph-Based Deep Learning for Component Segmentation of Maize Plants
- Title（参考訳）: グラフによるトウモロコシの成分分別深層学習
- Authors: J. I. Ruiz-Martinez, A. Mendez-Vazquez, E. Rodriguez-Tello,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In precision agriculture, one of the most important tasks when exploring crop production is identifying individual plant components. There are several attempts to accomplish this task by the use of traditional 2D imaging, 3D reconstructions, and Convolutional Neural Networks (CNN). However, they have several drawbacks when processing 3D data and identifying individual plant components. Therefore, in this work, we propose a novel Deep Learning architecture to detect components of individual plants on Light Detection and Ranging (LiDAR) 3D Point Cloud (PC) data sets. This architecture is based on the concept of Graph Neural Networks (GNN), and feature enhancing with Principal Component Analysis (PCA). For this, each point is taken as a vertex and by the use of a K-Nearest Neighbors (KNN) layer, the edges are established, thus representing the 3D PC data set. Subsequently, Edge-Conv layers are used to further increase the features of each point. Finally, Graph Attention Networks (GAT) are applied to classify visible phenotypic components of the plant, such as the leaf, stem, and soil. This study demonstrates that our graph-based deep learning approach enhances segmentation accuracy for identifying individual plant components, achieving percentages above 80% in the IoU average, thus outperforming other existing models based on point clouds.
- Abstract（参考訳）: 精密農業において、作物生産を探索する上で最も重要な課題の1つは、個々の植物成分を特定することである。
従来の2Dイメージング、3D再構成、畳み込みニューラルネットワーク(CNN)を用いることで、この課題を達成しようとする試みがいくつかある。
しかし、3Dデータを処理し、個々の植物成分を特定する際には、いくつかの欠点がある。
そこで本研究では,光検出・ランドング(LiDAR)3Dポイントクラウド(PC)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ディープラーニング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。
このため、各点を頂点とし、K-Nearest Neighbors(KNN)層を用いてエッジを確立し、3DPCデータセットを表す。
その後、Edge-Convレイヤを使用して各ポイントの機能をさらに強化する。
最後に、グラフ注意ネットワーク(GAT)を適用して、葉、茎、土壌など、植物の目に見える表現型成分を分類する。
本研究は, グラフに基づく深層学習手法により, 個々の植物成分の同定精度を向上し, IoU平均の80%以上を達成し, 点雲に基づく既存モデルよりも優れていることを示す。
関連論文リスト
- Rapeseed population point cloud completion network (RP-PCN) with dynamic graph convolution for 3D reconstruction of crop canopy occlusion architecture [4.377318975816766]
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。
論文 参考訳（メタデータ） (2025-06-23T05:02:31Z) - Point-GR: Graph Residual Point Cloud Network for 3D Object Classification and Segmentation [2.4999074238880485]
本稿では,非秩序な原点雲を高次元に変換するために設計された新しいディープラーニングアーキテクチャであるPoint-GRを提案する。
ネットワーク内の残差ベースの学習を導入し、ポイントクラウドデータの点置換問題を緩和する。
これは、S3DISベンチマークデータセットで73.47%の最先端のシーンセグメンテーション平均IoUを実現し、その有効性を示している。
論文 参考訳（メタデータ） (2024-12-04T06:12:19Z) - Boosting Cross-Domain Point Classification via Distilling Relational Priors from 2D Transformers [59.0181939916084]
従来の3Dネットワークは主に局所幾何学的詳細に焦点を当て、局所幾何学間の位相構造を無視する。
そこで本稿では,大規模画像上においてよく訓練されたトランスフォーマーから前駆体を抽出する,新しい先駆体蒸留法を提案する。
PointDA-10とSim-to-Realデータセットの実験は、提案手法が点クラウド分類におけるUDAの最先端性能を一貫して達成していることを検証する。
論文 参考訳（メタデータ） (2024-07-26T06:29:09Z) - Eff-3DPSeg: 3D organ-level plant shoot segmentation using
annotation-efficient point clouds [1.5882586857953638]
本稿では,3次元植物撮影セグメンテーションのための弱教師付きフレームワーク Eff-3DPSeg を提案する。
大豆の高分解能点雲を低コストのフォトグラムシステムを用いて再構成した。
植物器官セグメンテーションのための弱教師付き深層学習法が提案された。
論文 参考訳（メタデータ） (2022-12-20T14:09:37Z) - GraphCSPN: Geometry-Aware Depth Completion via Dynamic GCNs [49.55919802779889]
本稿では,グラフ畳み込みに基づく空間伝搬ネットワーク(GraphCSPN)を提案する。
本研究では、幾何学的表現学習において、畳み込みニューラルネットワークとグラフニューラルネットワークを相補的に活用する。
提案手法は,数段の伝搬ステップのみを使用する場合と比較して,最先端の性能を実現する。
論文 参考訳（メタデータ） (2022-10-19T17:56:03Z) - Dense Graph Convolutional Neural Networks on 3D Meshes for 3D Object
Segmentation and Classification [0.0]
本稿では3次元メッシュ上でのグラフ畳み込みニューラルネットワーク(GCN)の設計について述べる。
メッシュの顔を基本処理単位とし、各ノードが顔に対応するグラフとして3Dメッシュを表現する。
論文 参考訳（メタデータ） (2021-06-30T02:17:16Z) - PIG-Net: Inception based Deep Learning Architecture for 3D Point Cloud
Segmentation [0.9137554315375922]
そこで我々はPIG-Netと呼ばれるインセプションに基づくディープネットワークアーキテクチャを提案し,点雲の局所的および大域的幾何学的詳細を効果的に特徴付ける。
我々は2つの最先端データセット上でPIG-Netアーキテクチャの徹底的な実験的解析を行う。
論文 参考訳（メタデータ） (2021-01-28T13:27:55Z) - TSGCNet: Discriminative Geometric Feature Learning with Two-Stream
GraphConvolutional Network for 3D Dental Model Segmentation [141.2690520327948]
2流グラフ畳み込みネットワーク(TSGCNet)を提案し、異なる幾何学的特性から多視点情報を学ぶ。
3次元口腔内スキャナーで得られた歯科モデルのリアルタイムデータセットを用いてTSGCNetの評価を行った。
論文 参考訳（メタデータ） (2020-12-26T08:02:56Z) - Learning Geometry-Disentangled Representation for Complementary
Understanding of 3D Object Point Cloud [50.56461318879761]
3次元画像処理のためのGDANet(Geometry-Disentangled Attention Network)を提案する。
GDANetは、点雲を3Dオブジェクトの輪郭と平らな部分に切り離し、それぞれ鋭い変化成分と穏やかな変化成分で表される。
3Dオブジェクトの分類とセグメンテーションベンチマークの実験は、GDANetがより少ないパラメータで最先端の処理を実現していることを示している。
論文 参考訳（メタデータ） (2020-12-20T13:35:00Z) - PC-RGNN: Point Cloud Completion and Graph Neural Network for 3D Object
Detection [57.49788100647103]
LiDARベースの3Dオブジェクト検出は、自動運転にとって重要なタスクです。
現在のアプローチでは、遠方および閉ざされた物体の偏りと部分的な点雲に苦しむ。
本稿では,この課題を2つの解決法で解決する新しい二段階アプローチ,pc-rgnnを提案する。
論文 参考訳（メタデータ） (2020-12-18T18:06:43Z) - Campus3D: A Photogrammetry Point Cloud Benchmark for Hierarchical
Understanding of Outdoor Scene [76.4183572058063]
複数の屋外シーン理解タスクに対して,リッチな注釈付き3Dポイントクラウドデータセットを提案する。
データセットは階層型ラベルとインスタンスベースのラベルの両方でポイントワイズアノテートされている。
本稿では,3次元点雲分割のための階層的学習問題を定式化し,様々な階層間の整合性を評価することを提案する。
論文 参考訳（メタデータ） (2020-08-11T19:10:32Z)
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。