論文の概要: Overview of PlantCLEF 2025: Multi-Species Plant Identification in Vegetation Quadrat Images
- arxiv url: http://arxiv.org/abs/2509.17602v1
- Date: Mon, 22 Sep 2025 11:21:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-23 18:58:16.337481
- Title: Overview of PlantCLEF 2025: Multi-Species Plant Identification in Vegetation Quadrat Images
- Title（参考訳）: PlantCLEF 2025の概要:植生四面体画像における多種植物同定
- Authors: Giulio Martellucci, Herve Goeau, Pierre Bonnet, Fabrice Vinatier, Alexis Joly,
- Abstract要約: PlantCLEF 2025の課題は、専門家によって注釈付けされ、約400種をカバーする2,105個の高解像度のマルチラベル画像の新たなテストセットに依存している。
目標は、シングルラベルのトレーニングデータを用いて、四角形画像に存在する全ての種を予測することである。
- 参考スコア（独自算出の注目度）: 2.526933812879881
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quadrat images are essential for ecological studies, as they enable standardized sampling, the assessment of plant biodiversity, long-term monitoring, and large-scale field campaigns. These images typically cover an area of fifty centimetres or one square meter, and botanists carefully identify all the species present. Integrating AI could help specialists accelerate their inventories and expand the spatial coverage of ecological studies. To assess progress in this area, the PlantCLEF 2025 challenge relies on a new test set of 2,105 high-resolution multi-label images annotated by experts and covering around 400 species. It also provides a large training set of 1.4 million individual plant images, along with vision transformer models pre-trained on this data. The task is formulated as a (weakly labelled) multi-label classification problem, where the goal is to predict all species present in a quadrat image using single-label training data. This paper provides a detailed description of the data, the evaluation methodology, the methods and models used by participants, and the results achieved.
- Abstract（参考訳）: クアドラット画像は、標準化されたサンプリング、植物生物多様性の評価、長期モニタリング、大規模フィールドキャンペーンを可能にするため、生態学研究に不可欠である。
これらの画像は、通常50センチメートルまたは1平方メートルの領域をカバーし、植物学者は現存する全ての種を慎重に識別する。
AIを統合することで、専門家は発明を加速し、生態研究の空間的範囲を広げることができる。
この領域の進歩を評価するために、PlantCLEF 2025の課題は、専門家が注釈を付け、約400種をカバーする2,105個の高解像度のマルチラベル画像の新たなテストセットに依存している。
また、このデータに基づいて事前トレーニングされたビジョントランスフォーマーモデルとともに、140万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も提供する。
このタスクは(弱ラベル付き)多ラベル分類問題として定式化され、単一ラベルのトレーニングデータを用いて四角形画像に存在する全ての種を予測することが目的である。
本稿では,データ,評価手法,参加者が使用する方法とモデル,その結果について詳述する。
関連論文リスト
- Overview of PlantCLEF 2022: Image-based plant identification at global scale [2.961584451143903]
世界には30万種以上の植物が生息していると推定されている。
深層学習技術は、植物生物多様性のグローバルな同定という、究極的で現実的な問題に対処できるほど成熟したように思える。
PlantCLEF2022 Challenge Editionは、マルチイメージ(およびメタデータ)の分類問題に取り組むことで、この方向への一歩を踏み出すことを提案している。
論文 参考訳（メタデータ） (2025-09-22T11:40:21Z) - Overview of PlantCLEF 2023: Image-based Plant Identification at Global Scale [2.961584451143903]
PlantCLEF2023の課題は、幅広いクラスの集合を含むマルチイメージ(およびメタデータ)の分類問題に対処することを目的としている。
本稿では,課題の資源と評価について概説し,参加研究グループで採用する手法とシステムについて概説し,重要な知見の分析を行う。
論文 参考訳（メタデータ） (2025-09-22T11:34:10Z) - Overview of PlantCLEF 2024: multi-species plant identification in vegetation plot images [2.7110107174608173]
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。
論文 参考訳（メタデータ） (2025-09-19T08:51:41Z) - 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) - Species196: A One-Million Semi-supervised Dataset for Fine-grained
Species Recognition [30.327642724046903]
種196(英: species 196)は、196科の外来種の大規模な半教師付きデータセットである。
専門家レベルの正確なアノテーションである種196-Lと、侵入種196-Uの1.2M以上のラベルのない画像を集めている。
論文 参考訳（メタデータ） (2023-09-25T14:46:01Z) - Spatial Implicit Neural Representations for Global-Scale Species Mapping [72.92028508757281]
ある種が観察された場所の集合を考えると、その種がどこにいても存在しないかを予測するためのモデルを構築することが目的である。
従来の手法は、新たな大規模クラウドソースデータセットを活用するのに苦労している。
本研究では,47k種の地理的範囲を同時に推定するために,空間入射ニューラル表現(SINR)を用いる。
論文 参考訳（メタデータ） (2023-06-05T03:36:01Z) - 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。