論文の概要: Zero-Shot Segmentation through Prototype-Guidance for Multi-Label Plant Species Identification

• arxiv url: http://arxiv.org/abs/2512.19957v1
• Date: Tue, 23 Dec 2025 01:06:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-24 19:17:49.702152
• Title: Zero-Shot Segmentation through Prototype-Guidance for Multi-Label Plant Species Identification
• Title（参考訳）: マルチラベル植物識別のためのプロトタイプガイドによるゼロショットセグメンテーション
• Authors: Luciano Araujo Dourado Filho, Almir Moreira da Silva Neto, Rodrigo Pereira David, Rodrigo Tripodi Calumby,
• Abstract要約: 本稿では,植物礁2025の課題に対処するために開発されたアプローチについて述べる。 本ソリューションでは,テストセットイメージ上でセグメンテーションビジョントランスフォーマー(ViT)をトレーニングするためのプロキシガイダンスとして,トレーニングデータセットから得られたクラスプロトタイプを活用することに焦点を当てた。 提案手法により, 個別種とのマルチクラス識別から高分解能植生プロットの多ラベル分類へのドメイン適応が可能となった。
• 参考スコア（独自算出の注目度）: 0.5249805590164902
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents an approach developed to address the PlantClef 2025 challenge, which consists of a fine-grained multi-label species identification, over high-resolution images. Our solution focused on employing class prototypes obtained from the training dataset as a proxy guidance for training a segmentation Vision Transformer (ViT) on the test set images. To obtain these representations, the proposed method extracts features from training dataset images and create clusters, by applying K-Means, with $K$ equals to the number of classes in the dataset. The segmentation model is a customized narrow ViT, built by replacing the patch embedding layer with a frozen DinoV2, pre-trained on the training dataset for individual species classification. This model is trained to reconstruct the class prototypes of the training dataset from the test dataset images. We then use this model to obtain attention scores that enable to identify and localize areas of interest and consequently guide the classification process. The proposed approach enabled a domain-adaptation from multi-class identification with individual species, into multi-label classification from high-resolution vegetation plots. Our method achieved fifth place in the PlantCLEF 2025 challenge on the private leaderboard, with an F1 score of 0.33331. Besides that, in absolute terms our method scored 0.03 lower than the top-performing submission, suggesting that it may achieved competitive performance in the benchmark task. Our code is available at \href{https://github.com/ADAM-UEFS/PlantCLEF2025}{https://github.com/ADAM-UEFS/PlantCLEF2025}.
• Abstract（参考訳）: 本稿では,高解像度画像上での微細な多ラベル種同定からなるPlantClef 2025チャレンジに対処するために開発されたアプローチを提案する。 本ソリューションでは,テストセットイメージ上でセグメンテーションビジョントランスフォーマー(ViT)をトレーニングするためのプロキシガイダンスとして,トレーニングデータセットから得られたクラスプロトタイプを活用することに焦点を当てた。 これらの表現を得るために、提案手法はデータセット内のクラス数に等しい$K$のK-Meansを適用することにより、データセットイメージのトレーニングから特徴を抽出し、クラスタを作成する。 セグメンテーションモデルは、パッチ埋め込み層を凍結したDinoV2に置き換え、個々の種分類のためのトレーニングデータセットに事前トレーニングすることで、カスタマイズされた狭義のViTである。 このモデルは、テストデータセットイメージからトレーニングデータセットのクラスプロトタイプを再構築するためにトレーニングされる。 次に,このモデルを用いて関心領域を特定し,その分類プロセスを導出するための注意スコアを得る。 提案手法により, 個別種とのマルチクラス識別から高分解能植生プロットの多ラベル分類へのドメイン適応が可能となった。 F1スコアは0.33331で,PlantCLEF 2025チャレンジでは5位となった。 さらに, 絶対値では, 提案手法は最高性能の申込みよりも0.03低い値を示し, ベンチマークタスクにおいて競争性能を達成できる可能性が示唆された。 私たちのコードは \href{https://github.com/ADAM-UEFS/PlantCLEF2025}{https://github.com/ADAM-UEFS/PlantCLEF2025} で利用可能です。

関連論文リスト

• Transfer Learning and Mixup for Fine-Grained Few-Shot Fungi Classification [0.0]
  本稿では,FungiCLEF 2025コンペティションの取り組みについて述べる。 FungiTastic Few-Shotデータセットを使用した、数ショットのきめ細かい視覚分類に焦点を当てている。
  論文  参考訳（メタデータ） (2025-07-11T01:21:21Z)
• Multi-Label Plant Species Classification with Self-Supervised Vision Transformers [0.0]
  植物CLEF 2024 コンペティションのための自己教師型ビジョントランスフォーマ (DINOv2) を用いた移動学習手法を提案する。 大規模データセットの計算課題に対処するために、分散データ処理にSparkを使用します。 本研究は,複数ラベル画像分類タスクにおいて,転送学習と高度なデータ処理技術を組み合わせることの有効性を示す。
  論文  参考訳（メタデータ） (2024-07-08T18:07:33Z)
• Cross-Level Distillation and Feature Denoising for Cross-Domain Few-Shot Classification [49.36348058247138]
  トレーニング段階において,対象領域内のラベルなし画像のごく一部をアクセス可能にすることで,ドメイン間数ショット分類の問題に対処する。 我々は,対象データセットのより識別的な特徴を抽出するモデルの能力を高めるため,クロスレベルな知識蒸留法を慎重に設計する。 提案手法は,従来の動的蒸留法を5.44%,1.37%,5ショット分類法を1.37%超えることができる。
  論文  参考訳（メタデータ） (2023-11-04T12:28:04Z)
• Generalized Category Discovery with Clustering Assignment Consistency [56.92546133591019]
  一般化圏発見(GCD)は、最近提案されたオープンワールドタスクである。 クラスタリングの一貫性を促進するための協調学習ベースのフレームワークを提案する。 提案手法は,3つの総合的なベンチマークと3つのきめ細かい視覚認識データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-10-30T00:32:47Z)
• Enhancing Self-Supervised Learning for Remote Sensing with Elevation Data: A Case Study with Scarce And High Level Semantic Labels [1.534667887016089]
  本研究は、地球観測下流タスクに適用された事前学習モデルに対する、教師なしと教師なしのハイブリッド学習手法を提案する。 我々は、事前訓練モデルに対する対照的なアプローチと画素単位の回帰事前テキストタスクを組み合わせることで、粗い標高マップを予測する。
  論文  参考訳（メタデータ） (2023-04-13T23:01:11Z)
• High-fidelity Pseudo-labels for Boosting Weakly-Supervised Segmentation [17.804090651425955]
  画像レベルの弱い教師付きセグメンテーション(WSSS)は、トレーニング中にセグメンテーションマスクを代理することで、通常膨大なデータアノテーションコストを削減する。 本研究は,GAPの代替となる重要サンプリングと特徴類似性損失という,CAMを改善するための2つの手法に基づく。 複数の独立二項問題の後部二項問題に基づいて両手法を再構成する。 パフォーマンスが向上し、より一般的なものになり、事実上あらゆるWSSSメソッドを増強できるアドオンメソッドが出来上がります。
  論文  参考訳（メタデータ） (2023-04-05T17:43:57Z)
• Novel Class Discovery in Semantic Segmentation [104.30729847367104]
  セマンティックにおける新しいクラス発見(NCDSS)について紹介する。 ラベル付き非結合クラスの集合から事前の知識を与えられた新しいクラスを含むラベル付きイメージのセグメンテーションを目的としている。 NCDSSでは、オブジェクトと背景を区別し、画像内の複数のクラスの存在を処理する必要があります。 本稿では,エントロピーに基づく不確実性モデリングと自己学習(EUMS)フレームワークを提案し,ノイズの多い擬似ラベルを克服する。
  論文  参考訳（メタデータ） (2021-12-03T13:31:59Z)
• No Fear of Heterogeneity: Classifier Calibration for Federated Learning with Non-IID Data [78.69828864672978]
  実世界のフェデレーションシステムにおける分類モデルのトレーニングにおける中心的な課題は、非IIDデータによる学習である。 このアルゴリズムは, 近似されたssian混合モデルからサンプリングした仮想表現を用いて分類器を調整する。 実験の結果,CIFAR-10,CIFAR-100,CINIC-10など,一般的なフェデレーション学習ベンチマークにおけるCCVRの現状が示された。
  論文  参考訳（メタデータ） (2021-06-09T12:02:29Z)
• Multi-dataset Pretraining: A Unified Model for Semantic Segmentation [97.61605021985062]
  我々は、異なるデータセットの断片化アノテーションを最大限に活用するために、マルチデータセット事前訓練と呼ばれる統合フレームワークを提案する。 これは、複数のデータセットに対して提案されたピクセルからプロトタイプへのコントラスト損失を通じてネットワークを事前トレーニングすることで実現される。 異なるデータセットからの画像とクラス間の関係をより良くモデル化するために、クロスデータセットの混合によりピクセルレベルの埋め込みを拡張する。
  論文  参考訳（メタデータ） (2021-06-08T06:13:11Z)
• 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。