論文の概要: Overview of PlantCLEF 2023: Image-based Plant Identification at Global Scale
- arxiv url: http://arxiv.org/abs/2509.17622v1
- Date: Mon, 22 Sep 2025 11:34:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-23 18:58:16.344528
- Title: Overview of PlantCLEF 2023: Image-based Plant Identification at Global Scale
- Title（参考訳）: PlantCLEF 2023の概要:グローバルスケールでのイメージベース植物同定
- Authors: Herve Goeau, Pierre Bonnet, Alexis Joly,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 2.961584451143903
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The world is estimated to be home to over 300,000 species of vascular plants. In the face of the ongoing biodiversity crisis, expanding our understanding of these species is crucial for the advancement of human civilization, encompassing areas such as agriculture, construction, and pharmacopoeia. However, the labor-intensive process of plant identification undertaken by human experts poses a significant obstacle to the accumulation of new data and knowledge. Fortunately, recent advancements in automatic identification, particularly through the application of deep learning techniques, have shown promising progress. Despite challenges posed by data-related issues such as a vast number of classes, imbalanced class distribution, erroneous identifications, duplications, variable visual quality, and diverse visual contents (such as photos or herbarium sheets), deep learning approaches have reached a level of maturity which gives us hope that in the near future we will have an identification system capable of accurately identifying all plant species worldwide. The PlantCLEF2023 challenge aims to contribute to this pursuit by addressing a multi-image (and metadata) classification problem involving an extensive set of classes (80,000 plant species). This paper provides an overview of the challenge's resources and evaluations, summarizes the methods and systems employed by participating research groups, and presents an analysis of key findings.
- Abstract（参考訳）: 世界には30万種以上の血管植物が生息していると推定されている。
生物多様性危機に直面する中で、これらの種の理解の拡大は、農業、建設、製薬所などを含む人類文明の発展に不可欠である。
しかし、人間の専門家による植物同定の労働集約的なプロセスは、新しいデータや知識の蓄積に重大な障害をもたらす。
幸いなことに、特にディープラーニング技術の適用による自動識別の進歩は、有望な進歩を示している。
大量のクラス、不均衡なクラス分布、誤識別、重複、様々な視覚的品質、そして多様な視覚的内容(写真やハーバリウムシートなど)といったデータ関連の問題によって引き起こされる課題にもかかわらず、ディープラーニングのアプローチは成熟度に達しており、近い将来、世界中の植物種を正確に識別できる識別システムが得られることを期待している。
PlantCLEF2023の課題は、広範囲なクラス(80,000の植物種)を含むマルチイメージ(およびメタデータ)分類問題に対処することで、この追求に貢献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。
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 2025: Multi-Species Plant Identification in Vegetation Quadrat Images [2.526933812879881]
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。
論文 参考訳（メタデータ） (2025-09-22T11:21:53Z) - 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) - AI in Agriculture: A Survey of Deep Learning Techniques for Crops, Fisheries and Livestock [77.95897723270453]
作物、漁業、家畜が世界の食料生産のバックボーンを形成し、成長を続ける世界の人口を養うのに不可欠である。
これらの問題に対処するには、効率的で正確でスケーラブルな技術ソリューションが必要であり、人工知能(AI)の重要性を強調している。
本調査では,従来の機械学習アプローチ,高度なディープラーニング技術,最新のビジョン言語基礎モデルなど,200以上の研究成果を体系的かつ徹底的にレビューする。
論文 参考訳（メタデータ） (2025-07-29T17:59:48Z) - BioCLIP 2: Emergent Properties from Scaling Hierarchical Contrastive Learning [51.341003735575335]
生体視覚モデルでは,大規模コントラスト視覚言語学習により創発的行動が観察される。
我々は、異なる種を区別するために、TreeOfLife-200MでBioCLIP 2を訓練する。
得られたBioCLIP 2の埋め込み空間における創発的特性を同定する。
論文 参考訳（メタデータ） (2025-05-29T17:48:20Z) - Self-supervised transformer-based pre-training method with General Plant Infection dataset [3.969851116372513]
本研究では、コントラスト学習とマスクド画像モデリング(MIM)を組み合わせた高度なネットワークアーキテクチャを提案する。
提案するネットワークアーキテクチャは,植物害虫や病原体認識タスクに対処し,優れた検出精度を実現する。
私たちのコードとデータセットは、植物害虫の研究と病気の認識を促進するために公開されます。
論文 参考訳（メタデータ） (2024-07-20T15:48:35Z) - Deep Neural Network Identification of Limnonectes Species and New Class
Detection Using Image Data [5.943822554753426]
ディープニューラルネットワークは、画像の分類を訓練された既知の種グループに分類することに成功した。
このアルゴリズムは,既存のクラスに属さない場合には,イメージを新しいクラスに分類できることを示す。
論文 参考訳（メタデータ） (2023-11-15T02:57:59Z) - 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) - Fine-Grained Image Analysis with Deep Learning: A Survey [146.22351342315233]
きめ細かい画像解析(FGIA)は、コンピュータビジョンとパターン認識における長年の根本的な問題である。
本稿では、FGIAの分野を再定義し、FGIAの2つの基礎研究領域、細粒度画像認識と細粒度画像検索を統合することで、FGIAの分野を広げようとしている。
論文 参考訳（メタデータ） (2021-11-11T09:43:56Z) - 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。