論文の概要: OmniPlantSeg: Species Agnostic 3D Point Cloud Organ Segmentation for High-Resolution Plant Phenotyping Across Modalities

• arxiv url: http://arxiv.org/abs/2509.21038v1
• Date: Thu, 25 Sep 2025 11:45:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-26 20:58:12.874474
• Title: OmniPlantSeg: Species Agnostic 3D Point Cloud Organ Segmentation for High-Resolution Plant Phenotyping Across Modalities
• Title（参考訳）: OmniPlantSeg:高分解能植物群集における種別3D点群群分類
• Authors: Andreas Gilson, Lukas Meyer, Oliver Scholz, Ute Schmid,
• Abstract要約: ハードウェアやニューラルネットワークの入力サイズ要件を満たすために、広範な前処理とプラントポイントクラウドのダウンサンプルを使用することが一般的である。 我々は,センサデータや植物種に依存しない生物点雲のサブサンプリングのための,単純かつ効果的なアルゴリズムKDSSを提案する。
• 参考スコア（独自算出の注目度）: 4.770378899761483
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate point cloud segmentation for plant organs is crucial for 3D plant phenotyping. Existing solutions are designed problem-specific with a focus on certain plant species or specified sensor-modalities for data acquisition. Furthermore, it is common to use extensive pre-processing and down-sample the plant point clouds to meet hardware or neural network input size requirements. We propose a simple, yet effective algorithm KDSS for sub-sampling of biological point clouds that is agnostic to sensor data and plant species. The main benefit of this approach is that we do not need to down-sample our input data and thus, enable segmentation of the full-resolution point cloud. Combining KD-SS with current state-of-the-art segmentation models shows satisfying results evaluated on different modalities such as photogrammetry, laser triangulation and LiDAR for various plant species. We propose KD-SS as lightweight resolution-retaining alternative to intensive pre-processing and down-sampling methods for plant organ segmentation regardless of used species and sensor modality.
• Abstract（参考訳）: 植物器官の正確な点雲セグメンテーションは3次元植物表現に不可欠である。 既存のソリューションは、特定の植物種やデータ取得のための特定のセンサー・モダリティに焦点をあてて、問題特異的に設計されている。 さらに、ハードウェアやニューラルネットワークの入力サイズ要件を満たすために、広範な前処理とプラントポイントクラウドのダウンサンプルを使用することが一般的である。 我々は,センサデータや植物種に依存しない生物点雲のサブサンプリングのための,単純かつ効果的なアルゴリズムKDSSを提案する。 このアプローチの主な利点は、入力データをダウンサンプリングする必要がなく、従って、全解像度のポイントクラウドのセグメンテーションを可能にすることです。 KD-SSと現在の最先端セグメンテーションモデルを組み合わせることで、様々な植物種に対して、フォトグラメトリー、レーザー三角測量、LiDARなどの異なるモードで評価された満足度が示された。 我々は,KD-SSを,使用済み種やセンサの質に関わらず,植物器官セグメンテーションの集中的前処理法やダウンサンプリング法に代わる軽量な分解能保持方法として提案する。

関連論文リスト

• Towards scalable organ level 3D plant segmentation: Bridging the data algorithm computing gap [9.655034225644847]
  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。
  論文  参考訳（メタデータ） (2025-09-08T04:21:27Z)
• Adaptive Point-Prompt Tuning: Fine-Tuning Heterogeneous Foundation Models for 3D Point Cloud Analysis [51.37795317716487]
  本稿では,パラメータの少ない事前学習モデルを微調整するAdaptive Point-Prompt Tuning (APPT)法を提案する。 局所幾何学を集約することで原点雲を点埋め込みに変換し、空間的特徴を捉える。 任意のモダリティのソース領域から3Dへの自己アテンションを校正するために,重みを点埋め込みモジュールと共有するプロンプトジェネレータを導入する。
  論文  参考訳（メタデータ） (2025-08-30T06:02:21Z)
• PlantSegNeRF: A few-shot, cross-dataset method for plant 3D instance point cloud reconstruction via joint-channel NeRF with multi-view image instance matching [6.041945288896862]
  本稿では,高精度のインスタンス点雲を生成するために,植物セグメンテーションニューラル放射場(PlantSegNeRF)と呼ばれる新しいアプローチを提案する。 PlantSegNeRFは、マルチビューイメージ上で2Dインスタンスセグメンテーションを実行し、対応するIDを持つ各臓器のインスタンスマスクを生成する。 平均的な改善は、mPrec、mRec、mCov、mWCovの11.7%、38.2%、32.2%、25.3%であった。
  論文  参考訳（メタデータ） (2025-07-01T01:59:59Z)
• Zero123-6D: Zero-shot Novel View Synthesis for RGB Category-level 6D Pose Estimation [66.3814684757376]
  本研究は,RGB 6Dのカテゴリレベルでのポーズ推定を向上するための拡散モデルに基づく新規ビュー合成器の実用性を示す最初の研究であるZero123-6Dを示す。 本手法は,データ要求の低減,ゼロショットカテゴリレベルの6Dポーズ推定タスクにおける深度情報の必要性の除去,およびCO3Dデータセットの実験により定量的に示された性能の向上を示す。
  論文  参考訳（メタデータ） (2024-03-21T10:38:18Z)
• PointHPS: Cascaded 3D Human Pose and Shape Estimation from Point Clouds [99.60575439926963]
  本稿では,実環境で捉えた点雲から正確な3次元HPSを実現するための基本的フレームワークであるPointHPSを提案する。 PointHPSは、カスケードアーキテクチャを通じてポイント機能を反復的に洗練する。 広範囲な実験により、ポイントHPSは強力な特徴抽出と処理方式を持ち、State-of-the-Art法より優れていることが示された。
  論文  参考訳（メタデータ） (2023-08-28T11:10:14Z)
• 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)
• AGO-Net: Association-Guided 3D Point Cloud Object Detection Network [86.10213302724085]
  ドメイン適応によるオブジェクトの無傷な特徴を関連付ける新しい3D検出フレームワークを提案する。 我々は,KITTIの3D検出ベンチマークにおいて,精度と速度の両面で最新の性能を実現する。
  論文  参考訳（メタデータ） (2022-08-24T16:54:38Z)
• PST: Plant segmentation transformer for 3D point clouds of rapeseed plants at the podding stage [5.010317705589445]
  深層学習ネットワークプラントセグメンテーショントランス (PST) PSTは、(i)動的ボクセル特徴エンコーダ(DVFE)と、(ii)デュアルウインドウが注意ブロックを設定してコンテキスト情報をキャプチャし、(iii)濃密な特徴伝搬モジュールで最後の密集点特徴マップを得る。 結果: PST と PST-PointGroup (PG) はセマンティックおよびインスタンスセグメンテーションタスクにおいて優れた性能を示した。
  論文  参考訳（メタデータ） (2022-06-27T06:56:48Z)
• InfoFocus: 3D Object Detection for Autonomous Driving with Dynamic Information Modeling [65.47126868838836]
  動的情報モデリングを用いた新しい3次元オブジェクト検出フレームワークを提案する。 粗い予測は、ボクセルベースの領域提案ネットワークを介して第1段階で生成される。 大規模なnuScenes 3D検出ベンチマークで実験を行った。
  論文  参考訳（メタデータ） (2020-07-16T18:27:08Z)

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。