論文の概要: Modeling Time-Lapse Trajectories to Characterize Cranberry Growth

• arxiv url: http://arxiv.org/abs/2510.08901v1
• Date: Fri, 10 Oct 2025 01:33:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 00:38:47.913481
• Title: Modeling Time-Lapse Trajectories to Characterize Cranberry Growth
• Title（参考訳）: クランベリー成長を特徴付ける時空軌道のモデル化
• Authors: Ronan John, Anis Chihoub, Ryan Meegan, Gina Sidelli, Jeffery Neyhart, Peter Oudemans, Kristin Dana,
• Abstract要約: 本稿では,微調整型視覚変換器(ViT)に基づく作物生育のモデル化手法を提案する。 植物と果実の出現の時間-ラプス進化の潜在空間を学習するために,2倍のプレテキストタスク(時間回帰とクラス予測)を用いる。 得られた2次元時間トラックは, 作物生育の解釈可能な時系列モデルを提供し, 時間とともに生育を予測し, 2) クランベリー品種の時間的差異を識別する。
• 参考スコア（独自算出の注目度）: 0.14658400971135646
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Change monitoring is an essential task for cranberry farming as it provides both breeders and growers with the ability to analyze growth, predict yield, and make treatment decisions. However, this task is often done manually, requiring significant time on the part of a cranberry grower or breeder. Deep learning based change monitoring holds promise, despite the caveat of hard-to-interpret high dimensional features and hand-annotations for fine-tuning. To address this gap, we introduce a method for modeling crop growth based on fine-tuning vision transformers (ViTs) using a self-supervised approach that avoids tedious image annotations. We use a two-fold pretext task (time regression and class prediction) to learn a latent space for the time-lapse evolution of plant and fruit appearance. The resulting 2D temporal tracks provide an interpretable time-series model of crop growth that can be used to: 1) predict growth over time and 2) distinguish temporal differences of cranberry varieties. We also provide a novel time-lapse dataset of cranberry fruit featuring eight distinct varieties, observed 52 times over the growing season (span of around four months), annotated with information about fungicide application, yield, and rot. Our approach is general and can be applied to other crops and applications (code and dataset can be found at https://github. com/ronan-39/tlt/).
• Abstract（参考訳）: 変化モニタリングはクランベリー栽培にとって必須の課題であり、育種者と栽培者の両方に成長を分析し、収量を予測する能力を提供し、治療の決定を行う能力を提供する。 しかし、この作業はしばしば手作業で行われ、クランベリーの栽培者や育種者にかなりの時間を要する。 ディープラーニングに基づく変化監視は、高次元の特徴と微調整のための手書きアノテーションの難しさにもかかわらず、約束を守る。 このギャップに対処するために、退屈な画像アノテーションを避ける自己教師型アプローチを用いて、微調整型視覚変換器(ViT)に基づく作物の生育をモデル化する手法を提案する。 植物と果実の出現の時間-ラプス進化の潜在空間を学習するために,2倍のプレテキストタスク(時間回帰とクラス予測)を用いる。 得られた2次元時間トラックは、次のように使用できる作物の成長の解釈可能な時系列モデルを提供する。 1)時間とともに成長を予測し、 2) クランベリー品種の時間的差異を区別する。 また,栽培期(約4ヶ月)に52回観測された8種類の異なる品種を特徴とするクランベリー果実のタイムラプスデータセットを,殺虫剤,収量,腐朽に関する情報でアノテートした。 私たちのアプローチは一般的なもので、他の作物やアプリケーションにも適用可能です(コードとデータセットはhttps://github.com/ronan-39/tlt/で参照できます)。

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)
• Agtech Framework for Cranberry-Ripening Analysis Using Vision Foundation Models [1.5728609542259502]
  航空画像と地上画像を用いたクランベリー作物の熟成過程を特徴付ける枠組みを開発した。 この作品はこの種の最初のものであり、クランベリーやワインブドウ、オリーブ、ブルーベリー、トウモロコシなど他の作物に将来的な影響を及ぼす。
  論文  参考訳（メタデータ） (2024-12-12T22:03:33Z)
• Soybean Maturity Prediction using 2D Contour Plots from Drone based Time Series Imagery [5.604868960444558]
  植物育種プログラムは、適切な試験において、正確な選択とエントリの配置のために成熟までの日数を評価する必要がある。 伝統的に、育種品種の成熟度評価は、育種者が手動でフィールドを検査し、成熟度を視覚的に評価することを含む。 本研究では,UAVを用いた時系列画像を用いた大豆成熟度評価のための機械学習モデルを開発した。
  論文  参考訳（メタデータ） (2024-12-12T19:23:50Z)
• Timer-XL: Long-Context Transformers for Unified Time Series Forecasting [67.83502953961505]
  我々は時系列の統一予測のための因果変換器Timer-XLを提案する。 大規模な事前トレーニングに基づいて、Timer-XLは最先端のゼロショット性能を達成する。
  論文  参考訳（メタデータ） (2024-10-07T07:27:39Z)
• Optimizing Resource Consumption in Diffusion Models through Hallucination Early Detection [87.22082662250999]
  拡散過程の開始時に不正確な世代を迅速に検出する新しいパラダイムであるHEaD(Hallucination Early Detection)を導入する。 HEaDは計算資源を節約し,生成過程を高速化して完全な画像を得ることを示す。 その結果,HEaDは2つのオブジェクトのシナリオで生成時間の最大12%を節約できることがわかった。
  論文  参考訳（メタデータ） (2024-09-16T18:00:00Z)
• ReAugment: Model Zoo-Guided RL for Few-Shot Time Series Augmentation and Forecasting [74.00765474305288]
  本稿では,時系列データ拡張のための強化学習(RL)の試験的検討を行う。 我々の手法であるReAugmentは、トレーニングセットのどの部分が拡張されるべきか、どのように拡張を行うべきか、RLがプロセスにどのような利点をもたらすのか、という3つの重要な問題に取り組む。
  論文  参考訳（メタデータ） (2024-09-10T07:34:19Z)
• Vision-Based Cranberry Crop Ripening Assessment [1.8434042562191815]
  この研究は、コンピュータビジョンを用いた熟成の定量的評価において、最初のものである。 ワインのブドウ、オリーブ、ブルーベリー、トウモロコシなどクランベリー以外の作物にも影響がある。
  論文  参考訳（メタデータ） (2023-08-31T14:58:11Z)
• 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)
• End-to-end deep learning for directly estimating grape yield from ground-based imagery [53.086864957064876]
  本研究は, ブドウ畑の収量推定に深層学習と併用した近位画像の応用を実証する。 オブジェクト検出、CNN回帰、トランスフォーマーモデルという3つのモデルアーキテクチャがテストされた。 本研究は,ブドウの収量予測における近位画像と深層学習の適用性を示した。
  論文  参考訳（メタデータ） (2022-08-04T01:34:46Z)
• Temporal Prediction and Evaluation of Brassica Growth in the Field using Conditional Generative Adversarial Networks [1.2926587870771542]
  植物の成長予測は、多種多様な環境要因によって影響を受けるため、大きな課題である。 本稿では,高スループット撮像センサ測定とその自動解析を含む新しいモニタリング手法を提案する。 提案手法のコアは条件付き生成型adversarial networkに基づく新しい機械学習ベースの成長モデルである。
  論文  参考訳（メタデータ） (2021-05-17T13:00:01Z)
• 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)

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。