論文の概要: Unlocking Zero-Shot Plant Segmentation with Pl@ntNet Intelligence

• arxiv url: http://arxiv.org/abs/2510.12579v1
• Date: Tue, 14 Oct 2025 14:38:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-15 19:02:32.354194
• Title: Unlocking Zero-Shot Plant Segmentation with Pl@ntNet Intelligence
• Title（参考訳）: Pl@ntNet インテリジェンスによるゼロショットプラントセグメンテーションのアンロック
• Authors: Simon Ravé, Jean-Christophe Lombardo, Pejman Rasti, Alexis Joly, David Rousseau,
• Abstract要約: 農業画像に対するゼロショットセグメンテーション手法を提案する。 本手法は植物領域の特定にPlantnetの特化植物表現を利用する。 ベースDinoV2モデル上でPlanet-fine-tuned DinoV2を使用する場合,一貫した性能向上を示す。
• 参考スコア（独自算出の注目度）: 3.7603674895765766
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We present a zero-shot segmentation approach for agricultural imagery that leverages Plantnet, a large-scale plant classification model, in conjunction with its DinoV2 backbone and the Segment Anything Model (SAM). Rather than collecting and annotating new datasets, our method exploits Plantnet's specialized plant representations to identify plant regions and produce coarse segmentation masks. These masks are then refined by SAM to yield detailed segmentations. We evaluate on four publicly available datasets of various complexity in terms of contrast including some where the limited size of the training data and complex field conditions often hinder purely supervised methods. Our results show consistent performance gains when using Plantnet-fine-tuned DinoV2 over the base DinoV2 model, as measured by the Jaccard Index (IoU). These findings highlight the potential of combining foundation models with specialized plant-centric models to alleviate the annotation bottleneck and enable effective segmentation in diverse agricultural scenarios.
• Abstract（参考訳）: 本稿では,大規模植物分類モデルであるPlannetと,DinoV2のバックボーンとSegment Anything Model(SAM)を併用した,農業画像のゼロショットセグメンテーション手法を提案する。 新しいデータセットを収集・注釈する代わりに、植物領域を識別し、粗いセグメンテーションマスクを作成するために、Plannetの特殊な植物表現を利用する。 これらのマスクはSAMによって精製され、詳細なセグメンテーションが得られる。 コントラストの観点からは、トレーニングデータと複雑なフィールド条件の限られたサイズが、純粋に教師付き手法を妨げている場合など、様々な複雑さの公開データセットを4つ評価する。 Jaccard Index (IoU) で測定した, Plantnet-fine-tuned DinoV2 をベースとした DinoV2 モデル上で使用する場合, 連続的な性能向上を示す。 これらの知見は, 抗原ボトルネックを緩和し, 多様な農業シナリオにおいて効果的セグメンテーションを可能にするため, 基礎モデルと特定の植物中心モデルを組み合わせる可能性を強調した。

関連論文リスト

• Zero-shot Hierarchical Plant Segmentation via Foundation Segmentation Models and Text-to-image Attention [19.2882360692347]
  基礎セグメンテーションモデルは、訓練なしでトップビューの作物画像から合理的なリーフインスタンス抽出を実現する。 トップビュー画像からロゼット型植物個体に対するゼロショットセグメンテーションであるZeroPlantSegを紹介する。
  論文  参考訳（メタデータ） (2025-09-11T02:53:58Z)
• CellPainTR: Generalizable Representation Learning for Cross-Dataset Cell Painting Analysis [51.56484100374058]
  本稿では,細胞形態の基本的な表現を学習するためのトランスフォーマーベースのアーキテクチャであるCellPainTRを紹介する。 私たちの研究は、画像ベースのプロファイリングのための真の基盤モデルを作成するための重要なステップであり、より信頼性が高くスケーラブルなクロススタディ生物学的分析を可能にします。
  論文  参考訳（メタデータ） (2025-09-02T03:30:07Z)
• PlantSAM: An Object Detection-Driven Segmentation Pipeline for Herbarium Specimens [0.5339846068056558]
  植物領域検出のための YOLOv10 とセグメンテーションのための Segment Anything Model (SAM2) を統合した自動セグメンテーションパイプラインである PlantSAM を紹介する。 YOLOv10はSAM2を誘導するバウンディングボックスプロンプトを生成し、セグメンテーション精度を高める。 PlantSAMは最先端のセグメンテーション性能を達成し、IoUは0.94、Dice係数は0.97である。
  論文  参考訳（メタデータ） (2025-07-22T12:02:39Z)
• Bringing SAM to new heights: Leveraging elevation data for tree crown segmentation from drone imagery [68.69685477556682]
  現在のモニタリング手法には、大規模なコスト、時間、労力を必要とする地上計測が含まれる。 ドローンのリモートセンシングとコンピュータビジョンは、広範囲の航空画像から個々の木をマッピングする大きな可能性を秘めている。 高解像度ドローン画像におけるツリークラウンインスタンスの自動セグメンテーションのためのセグメンテーションモデル(SAM)を用いた手法の比較を行った。 また,デジタルサーフェスモデル(DSM)情報を用いたモデルへの標高データの統合についても検討した。
  論文  参考訳（メタデータ） (2025-06-05T12:43:11Z)
• Iterative Optimization Annotation Pipeline and ALSS-YOLO-Seg for Efficient Banana Plantation Segmentation in UAV Imagery [11.048503703669667]
  UAV画像に最適化された効率的な軽量セグメンテーションモデルであるALSS-YOLO-Segを開発した。 モデルのバックボーンには、チャネル間の情報交換を改善するために、Adaptive Lightweight Channel Splitting and Shuffling (ALSS)モジュールが含まれている。 MSCA(Multi-Scale Channel Attention)モジュールは、マルチスケールの特徴抽出とチャネルアテンションを組み合わせて、ターゲットサイズや複雑な背景の異なる課題に取り組む。
  論文  参考訳（メタデータ） (2024-10-09T13:19:26Z)
• Generating Diverse Agricultural Data for Vision-Based Farming Applications [74.79409721178489]
  このモデルは, 植物の成長段階, 土壌条件の多様性, 照明条件の異なるランダム化フィールド配置をシミュレートすることができる。 我々のデータセットにはセマンティックラベル付き12,000の画像が含まれており、精密農業におけるコンピュータビジョンタスクの包括的なリソースを提供する。
  論文  参考訳（メタデータ） (2024-03-27T08:42:47Z)
• Semantic-SAM: Segment and Recognize Anything at Any Granularity [83.64686655044765]
  本稿では,任意の粒度でセグメンテーションと認識を可能にする汎用画像セグメンテーションモデルであるSemantic-SAMを紹介する。 複数のデータセットを3つの粒度に集約し、オブジェクトとパーツの分離した分類を導入する。 マルチグラニュラリティ機能を実現するために,各クリックで複数のレベルのマスクを生成できるマルチ選択学習方式を提案する。
  論文  参考訳（メタデータ） (2023-07-10T17:59:40Z)
• 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)
• Multi-Domain Few-Shot Learning and Dataset for Agricultural Applications [0.0]
  そこで本研究では,いくつかのサンプルから異なる害虫,植物,その病原体を自動分類する手法を提案する。 埋め込みを生成する機能抽出器を学習し、Transformerを使って埋め込みを更新する。 モデル全体を包括的に解析するために42の実験を行い、画像分類ベンチマークで最大14%と24%のパフォーマンス向上を達成した。
  論文  参考訳（メタデータ） (2021-09-21T04:20:18Z)
• 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。