論文の概要: Overview of PlantCLEF 2024: multi-species plant identification in vegetation plot images
- arxiv url: http://arxiv.org/abs/2509.15768v1
- Date: Fri, 19 Sep 2025 08:51:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-22 18:18:11.086274
- Title: Overview of PlantCLEF 2024: multi-species plant identification in vegetation plot images
- Title（参考訳）: PlantCLEF 2024の概観:植生プロット画像における多種植物同定
- Authors: Herve Goeau, Vincent Espitalier, Pierre Bonnet, Alexis Joly,
- Abstract要約: PlantCLEF 2024チャレンジでは、専門家が注釈を付け、800種以上をカバーした何千ものマルチラベル画像の新たなテストセットを活用する。
個々の植物画像170万枚からなる大規模なトレーニングセットと、このデータに基づいて事前訓練された最先端のビジョントランスフォーマーモデルを提供する。
目的は、高解像度プロット画像上に存在するすべての植物種を予測することである。
- 参考スコア（独自算出の注目度）: 2.7110107174608173
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Plot images are essential for ecological studies, enabling standardized sampling, biodiversity assessment, long-term monitoring and remote, large-scale surveys. Plot images are typically fifty centimetres or one square meter in size, and botanists meticulously identify all the species found there. The integration of AI could significantly improve the efficiency of specialists, helping them to extend the scope and coverage of ecological studies. To evaluate advances in this regard, the PlantCLEF 2024 challenge leverages a new test set of thousands of multi-label images annotated by experts and covering over 800 species. In addition, it provides a large training set of 1.7 million individual plant images as well as state-of-the-art vision transformer models pre-trained on this data. The task is evaluated as a (weakly-labeled) multi-label classification task where the aim is to predict all the plant species present on a high-resolution plot image (using the single-label training data). In this paper, we provide an detailed description of the data, the evaluation methodology, the methods and models employed by the participants and the results achieved.
- Abstract（参考訳）: プロット画像は生態学研究に不可欠であり、標準化されたサンプリング、生物多様性評価、長期監視、大規模調査を可能にする。
プロット画像は通常50センチメートルまたは1平方メートルの大きさであり、植物学者はそこで発見された全ての種を慎重に識別する。
AIの統合は、専門家の効率を大幅に改善し、生態学研究の範囲と範囲を広げるのに役立つ。
この点の進歩を評価するため、PlantCLEF 2024チャレンジでは、専門家によって注釈付けされ800種以上をカバーする何千ものマルチラベル画像の新しいテストセットを活用している。
さらに、このデータで事前訓練された最先端のビジョントランスフォーマーモデルと同様に、170万の個々の植物画像からなる大規模なトレーニングセットを提供する。
課題は、高解像度プロット画像上に存在する植物種を(シングルラベルのトレーニングデータを用いて)予測することを目的とした、(弱ラベルの)多ラベル分類タスクとして評価される。
本稿では、参加者が採用したデータ、評価手法、方法、モデルの詳細と、得られた結果について述べる。
関連論文リスト
- ViewSparsifier: Killing Redundancy in Multi-View Plant Phenotyping [8.348234911002821]
植物の表現型付けは、植物の成長、健康、発達をよりよく理解するために、植物の観測可能な特性を分析することである。
ディープラーニングの文脈では、この分析は単一ビューの分類や回帰モデルを通してアプローチされることが多い。
これを解決するため、ACM Multimedia 2025のGrowth Modelling (GroMo) Grand Challengeでは、複数の植物を含むマルチビューデータセットが提供されている。
論文 参考訳（メタデータ） (2025-09-10T12:53:38Z) - Multi-Label Plant Species Prediction with Metadata-Enhanced Multi-Head Vision Transformers [0.0]
植生プロット画像におけるマルチラベル植物種予測のためのマルチヘッド・ビジョン・トランスフォーマー手法を提案する。
このタスクでは、単一種の植物イメージのトレーニングモデルと、多種の4つのイメージのテストが含まれており、ドメインシフトが劇的に変化する。
本手法は, 種, 属, および家族予測のための複数の分類先頭を持つ, 事前訓練されたDINOv2 Vision Transformer Base (ViT-B/14) のバックボーンを利用する。
論文 参考訳（メタデータ） (2025-08-14T08:56:58Z) - A multi-modal dataset for insect biodiversity with imagery and DNA at the trap and individual level [12.817729932901779]
本研究は,昆虫標本の自動分類器を訓練するための混合節足類標本同定データセット(MassID45)について述べる。
これは、分類されていないサンプルレベルと、個々の標本の完全なセットの両方で、分子とイメージングのデータを一意に組み合わせている。
AI支援ツールによって支えられた人間のアノテーションは、各節足動物の周囲にセグメンテーションマスクを作成し、17万以上の標本に分類学的ラベルを割り当てるという、バルク画像の2つのタスクを実行した。
論文 参考訳（メタデータ） (2025-07-09T16:03:06Z) - Perceptual Artifacts Localization for Image Synthesis Tasks [59.638307505334076]
我々は10,168個の画像からなる新しいデータセットを導入し,それぞれに知覚的アーティファクトラベルを付加した。
提案したデータセットに基づいてトレーニングされたセグメンテーションモデルは、さまざまなタスクにまたがるアーティファクトを効果的にローカライズする。
生成した画像の知覚的アーティファクトをシームレスに修正する,革新的なズームイン・インペインティングパイプラインを提案する。
論文 参考訳（メタデータ） (2023-10-09T10:22:08Z) - Improving Data Efficiency for Plant Cover Prediction with Label
Interpolation and Monte-Carlo Cropping [7.993547048820065]
植物群落の組成は環境変化の重要な指標であり、通常生態学的研究で分析される。
本稿では,収集した植生計画時系列のスパースラベルを中間密度・未ラベル画像に補間する手法を提案する。
また,高解像度画像の処理を効率的に行うため,モンテカルロ・クロッピングと呼ばれる新しい手法を導入する。
論文 参考訳（メタデータ） (2023-07-17T15:17:39Z) - PlantDet: A benchmark for Plant Detection in the Three-Rivers-Source
Region [4.676030127116814]
三波源領域(PTRS)における植物検出のためのデータセットを構築する。
21種類の高解像度画像を2160*3840ピクセルで6965枚、様々なセンサーやプラットフォームで撮影し、形状や大きさの異なる物体を特徴とする。
PTRSは、密接な隠蔽、葉の分解能の変化、植物間の特徴的類似性などの課題を提示する。
論文 参考訳（メタデータ） (2023-04-11T04:18:56Z) - Semantic Image Segmentation with Deep Learning for Vine Leaf Phenotyping [59.0626764544669]
本研究では,ブドウの葉のイメージを意味的にセグメント化するためにDeep Learning法を用いて,葉の表現型自動検出システムを開発した。
私たちの研究は、成長や開発のような動的な特性を捉え定量化できる植物ライフサイクルのモニタリングに寄与します。
論文 参考訳（メタデータ） (2022-10-24T14:37:09Z) - Potato Crop Stress Identification in Aerial Images using Deep
Learning-based Object Detection [60.83360138070649]
本稿では, 深層ニューラルネットワークを用いたジャガイモの空中画像解析手法を提案する。
主な目的は、植物レベルでの健康作物とストレス作物の自動空間認識を実証することである。
実験により、フィールド画像中の健康植物とストレス植物を識別し、平均Dice係数0.74を達成できることを示した。
論文 参考訳（メタデータ） (2021-06-14T21:57:40Z) - Two-View Fine-grained Classification of Plant Species [66.75915278733197]
本研究では,2視点の葉のイメージ表現に基づく新しい手法と,植物種の粒度認識のための階層的分類戦略を提案する。
シームズ畳み込みニューラルネットワークに基づく深度測定は、多数のトレーニングサンプルへの依存を減らし、新しい植物種に拡張性を持たせるために用いられる。
論文 参考訳（メタデータ） (2020-05-18T21:57:47Z) - Automatic image-based identification and biomass estimation of
invertebrates [70.08255822611812]
時間を要する分類と分類は、どれだけの昆虫を処理できるかに強い制限を課す。
我々は、人間の専門家による分類と識別の標準的な手動アプローチを、自動画像ベース技術に置き換えることを提案する。
分類タスクには最先端のResnet-50とInceptionV3 CNNを使用する。
論文 参考訳（メタデータ） (2020-02-05T21:38:57Z)
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。