論文の概要: Automatic Pith Detection in Tree Cross-Section Images Using Deep Learning

• arxiv url: http://arxiv.org/abs/2512.00625v1
• Date: Sat, 29 Nov 2025 20:43:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-02 19:46:34.332054
• Title: Automatic Pith Detection in Tree Cross-Section Images Using Deep Learning
• Title（参考訳）: ディープラーニングを用いた木断面画像の自動管検出
• Authors: Tzu-I Liao, Mahmoud Fakhry, Jibin Yesudas Varghese,
• Abstract要約: 林業や木質解析には, 木断面の管路検出が不可欠であるが, 依然として手作業であり, エラーが発生しやすい課題である。 本研究では、プロセスの効率的な自動化のために、YOLOv9、U-Net、Swin Transformer、DeepLabV3、Mask R-CNNといったディープラーニングモデルを評価する。
• 参考スコア（独自算出の注目度）: 0.764671395172401
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pith detection in tree cross-sections is essential for forestry and wood quality analysis but remains a manual, error-prone task. This study evaluates deep learning models -- YOLOv9, U-Net, Swin Transformer, DeepLabV3, and Mask R-CNN -- to automate the process efficiently. A dataset of 582 labeled images was dynamically augmented to improve generalization. Swin Transformer achieved the highest accuracy (0.94), excelling in fine segmentation. YOLOv9 performed well for bounding box detection but struggled with boundary precision. U-Net was effective for structured patterns, while DeepLabV3 captured multi-scale features with slight boundary imprecision. Mask R-CNN initially underperformed due to overlapping detections, but applying Non-Maximum Suppression (NMS) improved its IoU from 0.45 to 0.80. Generalizability was next tested using an oak dataset of 11 images from Oregon State University's Tree Ring Lab. Additionally, for exploratory analysis purposes, an additional dataset of 64 labeled tree cross-sections was used to train the worst-performing model to see if this would improve its performance generalizing to the unseen oak dataset. Key challenges included tensor mismatches and boundary inconsistencies, addressed through hyperparameter tuning and augmentation. Our results highlight deep learning's potential for tree cross-section pith detection, with model choice depending on dataset characteristics and application needs.
• Abstract（参考訳）: 林業や木質解析には, 木断面の管路検出が不可欠であるが, 依然として手作業であり, エラーが発生しやすい課題である。 本研究では、プロセスの効率的な自動化のために、YOLOv9、U-Net、Swin Transformer、DeepLabV3、Mask R-CNNといったディープラーニングモデルを評価する。 582枚のラベル付き画像のデータセットを動的に拡張し、一般化を改善した。 Swin Transformer は高い精度 (0.94) を達成し、細かなセグメンテーションに優れていた。 YOLOv9はバウンディングボックス検出では良好に動作したが、境界精度に苦慮した。 U-Net は構造化パターンに有効であり、DeepLabV3 はわずかな境界精度でマルチスケールの特徴を捉えた。 Mask R-CNNは当初、重複検出により性能が低下していたが、非最大抑圧(NMS)を適用してIoUを0.45から0.80に改善した。 次に、オレゴン州立大学のツリーリングラボから11の画像のoakデータセットを用いて、一般化性のテストが行われた。 さらに、探索的な分析目的のために、64個のラベル付き木断面のデータセットを使用して、最悪のパフォーマンスモデルをトレーニングし、これが目に見えないオークデータセットに一般化するパフォーマンスを改善するかどうかを確認した。 主な課題はテンソルミスマッチと境界の不整合であり、ハイパーパラメータチューニングと拡張によって対処された。 本研究の結果は,データセットの特徴やアプリケーションニーズに応じてモデル選択を行い,木間断面積検出の深層学習の可能性を強調した。

関連論文リスト

• Practical Manipulation Model for Robust Deepfake Detection [55.2480439325792]
  画像超解像領域において,より現実的な劣化モデルを構築した。 擬似フェイクの空間を、ポアソンブレンディング、より多様なマスク、ジェネレータアーティファクト、およびイントラクタを用いて拡張する。 DFDCデータセットとDFDCPデータセットでは、それぞれ3.51%$と6.21%$AUCが明らかに増加した。
  論文  参考訳（メタデータ） (2025-06-05T15:06:16Z)
• Explainable AI for Comparative Analysis of Intrusion Detection Models [20.683181384051395]
  本研究は,ネットワークトラフィックから侵入検出を行うために,各種機械学習モデルを二分分類および多クラス分類のタスクに解析する。 すべてのモデルをUNSW-NB15データセットで90%の精度でトレーニングしました。 また、Random Forestは正確さ、時間効率、堅牢性という点で最高のパフォーマンスを提供します。
  論文  参考訳（メタデータ） (2024-06-14T03:11:01Z)
• Innovative Horizons in Aerial Imagery: LSKNet Meets DiffusionDet for Advanced Object Detection [55.2480439325792]
  本稿では,LSKNetのバックボーンをDiffusionDetヘッドに統合したオブジェクト検出モデルの詳細な評価を行う。 提案手法は平均精度(MAP)を約45.7%向上させる。 この進歩は、提案された修正の有効性を強調し、航空画像解析の新しいベンチマークを設定する。
  論文  参考訳（メタデータ） (2023-11-21T19:49:13Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• Semi-Supervised and Long-Tailed Object Detection with CascadeMatch [91.86787064083012]
  そこで我々はCascadeMatchと呼ばれる新しい擬似ラベル型検出器を提案する。 我々の検出器は、プログレッシブな信頼しきい値を持つ多段検出ヘッドを備えたカスケードネットワークアーキテクチャを備えている。 CascadeMatchは、長い尾のオブジェクト検出の処理において、既存の最先端の半教師付きアプローチを超越していることを示す。
  論文  参考訳（メタデータ） (2023-05-24T07:09:25Z)
• CNN-transformer mixed model for object detection [3.5897534810405403]
  本稿では,トランスを用いた畳み込みモジュールを提案する。 CNNが抽出した詳細特徴と変換器が抽出したグローバル特徴とを融合させることにより、モデルの認識精度を向上させることを目的とする。 Pascal VOCデータセットでの100ラウンドのトレーニングの後、結果の精度は81%に達し、resnet101[5]をバックボーンとして使用したRCNN[4]よりも4.6向上した。
  論文  参考訳（メタデータ） (2022-12-13T16:35:35Z)
• Tree Detection and Diameter Estimation Based on Deep Learning [0.0]
  樹木認識は、自律的な林業活動に向けた重要なビルディングブロックである。 データセットでトレーニングされたディープニューラルネットワークモデルは、木検出の精度90.4%を達成する。 結果は、自律的な倒木作戦への有望な道を提供する。
  論文  参考訳（メタデータ） (2022-10-31T15:51:32Z)
• Detection of Large Vessel Occlusions using Deep Learning by Deforming Vessel Tree Segmentations [5.408694811103598]
  この研究は、船体木分割マスクの弾性変形で訓練されたケースレベルの分類に畳み込みニューラルネットワークを使用し、トレーニングデータを人工的に増強する。 ニューラルネットワークは、LVOと影響を受ける半球の存在を分類する。 5倍のクロス検証アブレーション実験において,提案手法を用いることで,少数のデータセットからでも頑健なモデルを訓練できることが実証された。
  論文  参考訳（メタデータ） (2021-12-03T09:07:29Z)
• Contextual-Bandit Anomaly Detection for IoT Data in Distributed Hierarchical Edge Computing [65.78881372074983]
  IoTデバイスは複雑なディープニューラルネットワーク(DNN)モデルにはほとんど余裕がなく、異常検出タスクをクラウドにオフロードすることは長い遅延を引き起こす。 本稿では,分散階層エッジコンピューティング(HEC)システムを対象とした適応型異常検出手法のデモと構築を行う。 提案手法は,検出タスクをクラウドにオフロードした場合と比較して,精度を犠牲にすることなく検出遅延を著しく低減することを示す。
  論文  参考訳（メタデータ） (2020-04-15T06:13:33Z)
• Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
  本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。 本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。 提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
  論文  参考訳（メタデータ） (2020-01-10T05:29:17Z)

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。