論文の概要: Towards scalable organ level 3D plant segmentation: Bridging the data algorithm computing gap

• arxiv url: http://arxiv.org/abs/2509.06329v1
• Date: Mon, 08 Sep 2025 04:21:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-09 14:07:03.970182
• Title: Towards scalable organ level 3D plant segmentation: Bridging the data algorithm computing gap
• Title（参考訳）: スケーラブルな臓器レベル3Dプラントセグメンテーションを目指して: データアルゴリズムの計算ギャップを埋める
• Authors: Ruiming Du, Guangxun Zhai, Tian Qiu, Yu Jiang,
• Abstract要約: 植物表現型は、植物環境の相互作用と遺伝的進化に関する貴重な洞察を提供する。 一般的な3Dコンピュータビジョン領域の進歩にもかかわらず、植物の表現型化における3Dセグメンテーションの採用は、3つの大きな課題によって制限されている。 本研究は,アルゴリズムの進歩と実践的展開のギャップを埋めるものである。
• 参考スコア（独自算出の注目度）: 9.655034225644847
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The precise characterization of plant morphology provides valuable insights into plant environment interactions and genetic evolution. A key technology for extracting this information is 3D segmentation, which delineates individual plant organs from complex point clouds. Despite significant progress in general 3D computer vision domains, the adoption of 3D segmentation for plant phenotyping remains limited by three major challenges: i) the scarcity of large-scale annotated datasets, ii) technical difficulties in adapting advanced deep neural networks to plant point clouds, and iii) the lack of standardized benchmarks and evaluation protocols tailored to plant science. This review systematically addresses these barriers by: i) providing an overview of existing 3D plant datasets in the context of general 3D segmentation domains, ii) systematically summarizing deep learning-based methods for point cloud semantic and instance segmentation, iii) introducing Plant Segmentation Studio (PSS), an open-source framework for reproducible benchmarking, and iv) conducting extensive quantitative experiments to evaluate representative networks and sim-to-real learning strategies. Our findings highlight the efficacy of sparse convolutional backbones and transformer-based instance segmentation, while also emphasizing the complementary role of modeling-based and augmentation-based synthetic data generation for sim-to-real learning in reducing annotation demands. In general, this study bridges the gap between algorithmic advances and practical deployment, providing immediate tools for researchers and a roadmap for developing data-efficient and generalizable deep learning solutions in 3D plant phenotyping. Data and code are available at https://github.com/perrydoremi/PlantSegStudio.
• Abstract（参考訳）: 植物形態学の正確な特徴は、植物環境相互作用と遺伝的進化に関する貴重な洞察を与える。 この情報を抽出するための重要な技術は、3Dセグメンテーションである。 一般的な3Dコンピュータビジョン領域では大きな進歩があったが、植物表現型化への3Dセグメンテーションの導入は、以下の3つの大きな課題によって制限されている。 一 大規模な注釈付きデータセットの不足 二 先進的な深層ニューラルネットワークを点雲に適応させるのに技術的に困難であること。 三 植物科学に適した基準基準及び評価基準の欠如 このレビューは、これらの障壁を体系的に解決する。 一 一般的な3Dセグメンテーション領域の文脈における既存の3Dプラントデータセットの概要 二 ポイントクラウドセマンティクス及びインスタンスセグメンテーションのための深層学習に基づく手法を体系的に要約すること。 三 再現可能なベンチマークのためのオープンソースのフレームワークであるプラントセグメンテーション・スタジオ(PSS)の導入 四 代表的ネットワーク及びシム・トゥ・リアル学習戦略を評価するための広範な定量的実験を行うこと。 本研究は, モデルベースおよび拡張型合成データ生成の相補的役割を強調しつつ, アノテーション要求の低減に寄与するスパース畳み込みバックボーンとトランスフォーマーベースのインスタンスセグメンテーションの有効性を強調した。 概して,アルゴリズムの進歩と実践的展開のギャップを埋め,研究者に即時ツールを提供し,データ効率と一般化可能なディープラーニングソリューションを3D植物表現法で開発するためのロードマップを提供する。 データとコードはhttps://github.com/perrydoremi/PlantSegStudio.comで入手できる。

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)
• Topology-Aware Modeling for Unsupervised Simulation-to-Reality Point Cloud Recognition [63.55828203989405]
  我々はオブジェクトポイントクラウド上でSim2Real UDAのための新しいTopology-Aware Modeling (TAM)フレームワークを紹介する。 提案手法は,低レベルの高周波3次元構造を特徴とするグローバル空間トポロジを利用して,領域間隙を緩和する。 本稿では,クロスドメイン・コントラスト学習と自己学習を組み合わせた高度な自己学習戦略を提案する。
  論文  参考訳（メタデータ） (2025-06-26T11:53:59Z)
• Generative Adversarial Networks for Imputing Sparse Learning Performance [3.0350058108125646]
  本稿では,GAIN(Generative Adversarial Imputation Networks)フレームワークを用いて,スパース学習性能データをインプットする手法を提案する。 3次元テンソル空間でスパースデータを計算するGAIN法をカスタマイズした。 この発見は、AIベースの教育における包括的な学習データモデリングと分析を促進する。
  論文  参考訳（メタデータ） (2024-07-26T17:09:48Z)
• Deep Learning-Based 3D Instance and Semantic Segmentation: A Review [0.0]
  3Dセグメンテーションは、かなり冗長性があり、サンプル密度が変動し、組織が不足しているため、ポイントクラウドデータでは困難である。 ディープラーニングは、一般的なAI手法として、2次元視覚領域のスペクトルにうまく使われてきた。 本研究では3Dインスタンスとセマンティックセグメンテーションに提示された多くの戦略について検討する。
  論文  参考訳（メタデータ） (2024-06-19T07:56:14Z)
• Enhancing Generalizability of Representation Learning for Data-Efficient 3D Scene Understanding [50.448520056844885]
  本研究では,実世界のパターンを持つ多様な合成シーンを生成可能なベイズネットワークを提案する。 一連の実験は、既存の最先端の事前学習手法に比べて、我々の手法が一貫した優位性を示す。
  論文  参考訳（メタデータ） (2024-06-17T07:43:53Z)
• Leveraging Frequency Domain Learning in 3D Vessel Segmentation [50.54833091336862]
  本研究では,Fourier領域学習を3次元階層分割モデルにおけるマルチスケール畳み込みカーネルの代用として活用する。 管状血管分割作業において,新しいネットワークは顕著なサイス性能(ASACA500が84.37%,ImageCASが80.32%)を示した。
  論文  参考訳（メタデータ） (2024-01-11T19:07:58Z)
• Synthetic Data Generation and Deep Learning for the Topological Analysis of 3D Data [0.0]
  この研究は、深層学習を用いて、3Dでスパースで無秩序な点雲のシーンのトポロジーを推定する。 この実験結果は、洗練された合成データ生成の助けを借りて、ニューラルネットワークがセグメンテーションに基づくトポロジ的データ解析を行うことができるという仮説を支持する。
  論文  参考訳（メタデータ） (2023-09-29T04:37:35Z)
• Geometric Deep Learning for Structure-Based Drug Design: A Survey [83.87489798671155]
  構造に基づく薬物設計(SBDD)は、タンパク質の3次元幾何学を利用して、潜在的な薬物候補を特定する。 近年の幾何学的深層学習の進歩は、3次元幾何学的データを効果的に統合・処理し、この分野を前進させてきた。
  論文  参考訳（メタデータ） (2023-06-20T14:21:58Z)
• Inducing Gaussian Process Networks [80.40892394020797]
  本稿では,特徴空間と誘導点を同時に学習するシンプルなフレームワークであるGaussian Process Network (IGN)を提案する。 特に誘導点は特徴空間で直接学習され、複雑な構造化領域のシームレスな表現を可能にする。 実世界のデータセットに対する実験結果から,IGNは最先端の手法よりも大幅に進歩していることを示す。
  論文  参考訳（メタデータ） (2022-04-21T05:27:09Z)

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。