論文の概要: LeafTrackNet: A Deep Learning Framework for Robust Leaf Tracking in Top-Down Plant Phenotyping

• arxiv url: http://arxiv.org/abs/2512.13130v1
• Date: Mon, 15 Dec 2025 09:43:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-16 17:54:56.606377
• Title: LeafTrackNet: A Deep Learning Framework for Robust Leaf Tracking in Top-Down Plant Phenotyping
• Title（参考訳）: LeafTrackNet:トップダウンプラントにおけるロバストリーフ追跡のためのディープラーニングフレームワーク
• Authors: Shanghua Liu, Majharulislam Babor, Christoph Verduyn, Breght Vandenberghe, Bruno Betoni Parodi, Cornelia Weltzien, Marina M. -C. Höhne,
• Abstract要約: CanolaTrackは、農業作物における葉追跡のための最大のデータセットである。 YOLOv10ベースのリーフ検出器とMobileNetV3ベースの埋め込みネットワークを組み合わせた,効率的なフレームワークであるLeafTrackNetを紹介する。 我々の研究は植物表現学の研究に貢献する。
• 参考スコア（独自算出の注目度）: 4.658434067847955
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: High resolution phenotyping at the level of individual leaves offers fine-grained insights into plant development and stress responses. However, the full potential of accurate leaf tracking over time remains largely unexplored due to the absence of robust tracking methods-particularly for structurally complex crops such as canola. Existing plant-specific tracking methods are typically limited to small-scale species or rely on constrained imaging conditions. In contrast, generic multi-object tracking (MOT) methods are not designed for dynamic biological scenes. Progress in the development of accurate leaf tracking models has also been hindered by a lack of large-scale datasets captured under realistic conditions. In this work, we introduce CanolaTrack, a new benchmark dataset comprising 5,704 RGB images with 31,840 annotated leaf instances spanning the early growth stages of 184 canola plants. To enable accurate leaf tracking over time, we introduce LeafTrackNet, an efficient framework that combines a YOLOv10-based leaf detector with a MobileNetV3-based embedding network. During inference, leaf identities are maintained over time through an embedding-based memory association strategy. LeafTrackNet outperforms both plant-specific trackers and state-of-the-art MOT baselines, achieving a 9% HOTA improvement on CanolaTrack. With our work we provide a new standard for leaf-level tracking under realistic conditions and we provide CanolaTrack - the largest dataset for leaf tracking in agriculture crops, which will contribute to future research in plant phenotyping. Our code and dataset are publicly available at https://github.com/shl-shawn/LeafTrackNet.
• Abstract（参考訳）: 個々の葉のレベルでの高分解能表現型は、植物の発生とストレス応答に関するきめ細かい洞察を与える。 しかし、特にカノーラのような構造的に複雑な作物では、ロバストな追跡方法が欠如しているため、正確な葉追跡の時間的ポテンシャルは明らかにされていない。 既存の植物特有の追跡方法は、通常、小規模の種に限られるか、制約された画像条件に依存している。 対照的に、ジェネリックマルチオブジェクトトラッキング(MOT)法は、動的な生物学的シーンのために設計されていない。 正確な葉追跡モデルの開発の進展は、現実的な条件下でキャプチャされた大規模なデータセットの欠如にも妨げられている。 本研究では,5,704枚のRGBイメージと31,840個のアノテートされた葉のインスタンスからなる新しいベンチマークデータセットであるCanoraTrackを紹介した。 時間とともに正確な葉追跡を実現するために,YOLOv10ベースの葉検出器とMobileNetV3ベースの埋め込みネットワークを組み合わせた効率的なフレームワークであるLeafTrackNetを導入する。 推測中、葉のアイデンティティは埋め込みベースのメモリアソシエーション戦略によって時間とともに維持される。 LeafTrackNetは、植物特有のトラッカーと最先端のMOTベースラインの両方を上回り、CanoraTrackでは9%のHOTA改善を実現している。 われわれの研究により、現実的な条件下での葉のレベル追跡の新しい標準を提供し、農業作物における葉の追跡のための最大のデータセットであるCanoraTrackを提供し、将来の植物表現学の研究に貢献する。 私たちのコードとデータセットはhttps://github.com/shl-shawn/LeafTrackNet.comで公開されています。

関連論文リスト

• Beyond Frame-wise Tracking: A Trajectory-based Paradigm for Efficient Point Cloud Tracking [13.622939944601393]
  TrajTrackは、歴史的なバウンディングボックストラジェクトリだけで動きの連続性を暗黙的に学習することで、ベース2フレームトラッカーを強化する軽量フレームワークである。 新たな最先端性能を実現し、56FPSで走行しながら強力なベースライン上での追跡精度を4.48%向上させた。
  論文  参考訳（メタデータ） (2025-09-14T21:57:16Z)
• PlantTrack: Task-Driven Plant Keypoint Tracking with Zero-Shot Sim2Real Transfer [4.923031976899536]
  植物の特徴の追跡は、表現型付け、刈り取り、収穫などの様々な農業作業に不可欠である。 そこで我々は,DINOv2を用いて高次元特徴を提供するPlantTrackを提案し,キーポイントヒートマップ予測ネットワークを訓練する。 キーポイント予測器を訓練するための20個の合成画像を用いて,実環境における植物の特徴を効果的に追跡できるゼロショットSim2Real転送を実現する。
  論文  参考訳（メタデータ） (2024-07-23T20:40:17Z)
• Exploring Dynamic Transformer for Efficient Object Tracking [58.120191254379854]
  効率的なトラッキングのための動的トランスフォーマーフレームワークであるDyTrackを提案する。 DyTrackは、様々な入力に対して適切な推論ルートを設定することを学習し、利用可能な計算予算をより活用する。 複数のベンチマークの実験では、DyTrackは単一のモデルで有望な速度精度のトレードオフを実現している。
  論文  参考訳（メタデータ） (2024-03-26T12:31:58Z)
• Long-Term Visual Object Tracking with Event Cameras: An Associative Memory Augmented Tracker and A Benchmark Dataset [9.366068518600583]
  FELTと呼ばれる,長期的かつ大規模な視覚オブジェクト追跡データセットを提案する。 また,Asociative Memory Transformer を用いた RGB-Event の長期視覚トラッカー AMTTrack を提案する。
  論文  参考訳（メタデータ） (2024-03-09T08:49:50Z)
• BEVTrack: A Simple and Strong Baseline for 3D Single Object Tracking in Bird's-Eye View [54.48052449493636]
  3Dシングルオブジェクトトラッキング(SOT)はコンピュータビジョンの基本課題であり、自律運転のようなアプリケーションにおいて重要な役割を果たす。 BEVTrackは、シンプルだが効果的な動きに基づくトラッキング手法である。 我々は,BEVTrackが200FPSで動作しながら最先端の結果を達成し,リアルタイム適用性を実現していることを示す。
  論文  参考訳（メタデータ） (2023-09-05T12:42:26Z)
• Push Past Green: Learning to Look Behind Plant Foliage by Moving It [19.36396157137122]
  部分的な可視性、極端に粗い構造、植物のための未知の幾何学と力学は、そのような操作を困難にしている。 SRPNetは、特定の植物に対する候補アクションの実行時に、どの空間が露呈しているかを予測するニューラルネットワークである。 SRPNetは、どれだけの空間が露光されるかだけでなく、どこで露光されるかも予測するだけでなく、植物の葉の下のより多くの空間を徐々に明らかにする一連の行動を実行することができる。
  論文  参考訳（メタデータ） (2023-07-06T17:55:28Z)
• Propagate And Calibrate: Real-time Passive Non-line-of-sight Tracking [84.38335117043907]
  本研究では,リレー壁のみを観察することで,見えない部屋を歩いている人を追跡する純粋受動的手法を提案する。 本研究では,リレー壁の映像の非知覚的変化を発掘するため,時間的局所的な動きの伝達に欠かせない特徴として差分フレームを導入する。 提案手法を評価するため,最初の動的受動NLOS追跡データセットであるNLOS-Trackを構築し,公開する。
  論文  参考訳（メタデータ） (2023-03-21T12:18:57Z)
• ArTIST: Autoregressive Trajectory Inpainting and Scoring for Tracking [80.02322563402758]
  オンラインマルチオブジェクトトラッキング(MOT)フレームワークの中核的なコンポーネントの1つは、既存のトラックレットと新しい検出を関連付けることである。 そこで我々は,トラックレットが自然運動を表す可能性を直接測定することにより,トラックレットの提案を評価する確率論的自己回帰生成モデルを提案する。
  論文  参考訳（メタデータ） (2020-04-16T06:43:11Z)

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。