論文の概要: CropNeRF: A Neural Radiance Field-Based Framework for Crop Counting
- arxiv url: http://arxiv.org/abs/2601.00207v1
- Date: Thu, 01 Jan 2026 04:51:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-05 15:04:33.310488
- Title: CropNeRF: A Neural Radiance Field-Based Framework for Crop Counting
- Title（参考訳）: CropNeRF: クロップカウントのためのニューラルネットワークフィールドベースのフレームワーク
- Authors: Md Ahmed Al Muzaddid, William J. Beksi,
- Abstract要約: 本稿では,3次元インスタンス分割による正確な列挙のために設計された新しい作物計数フレームワークを提案する。
提案手法では,複数の視点から捉えた2次元画像を用いて,ニューラルレイディアンスフィールド(NeRF)ビュー合成のための独立したインスタンスマスクを関連づける。
我々は,綿棒,リンゴ,ナシの3種類の農業データセットの枠組みを検証し,一貫した計数性能を示した。
- 参考スコア（独自算出の注目度）: 9.600466490978665
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Rigorous crop counting is crucial for effective agricultural management and informed intervention strategies. However, in outdoor field environments, partial occlusions combined with inherent ambiguity in distinguishing clustered crops from individual viewpoints poses an immense challenge for image-based segmentation methods. To address these problems, we introduce a novel crop counting framework designed for exact enumeration via 3D instance segmentation. Our approach utilizes 2D images captured from multiple viewpoints and associates independent instance masks for neural radiance field (NeRF) view synthesis. We introduce crop visibility and mask consistency scores, which are incorporated alongside 3D information from a NeRF model. This results in an effective segmentation of crop instances in 3D and highly-accurate crop counts. Furthermore, our method eliminates the dependence on crop-specific parameter tuning. We validate our framework on three agricultural datasets consisting of cotton bolls, apples, and pears, and demonstrate consistent counting performance despite major variations in crop color, shape, and size. A comparative analysis against the state of the art highlights superior performance on crop counting tasks. Lastly, we contribute a cotton plant dataset to advance further research on this topic.
- Abstract（参考訳）: 厳格な作物の計数は効果的な農業経営と情報的介入戦略に不可欠である。
しかし, 野外環境においては, 群集作物を個別の視点から区別する上で, 部分オクルージョンと固有のあいまいさが組み合わさって, イメージベースセグメンテーション法において大きな課題となっている。
これらの問題に対処するため、我々は3次元インスタンス分割による正確な列挙のために設計された新しい作物計数フレームワークを導入する。
提案手法では,複数の視点から捉えた2次元画像を用いて,ニューラルレイディアンスフィールド(NeRF)ビュー合成のための独立したインスタンスマスクを関連づける。
我々は,NeRFモデルから得られる3次元情報と合わせて,作物の可視性とマスクの整合性スコアを導入する。
これにより、3Dおよび高精度な作物数における作物インスタンスの効果的セグメンテーションが実現される。
さらに,本手法では,作物固有のパラメータチューニングへの依存を排除している。
我々は,綿棒,リンゴ,ナシの3種類の農業データセットの枠組みを検証し,作物の色,形態,大きさに大きな違いがあるにもかかわらず,一貫した採算性能を示した。
最先端技術に対する比較分析は、収穫カウントタスクにおける優れたパフォーマンスを強調している。
最後に,この話題についてさらなる研究を進めるために,綿花のデータセットを寄贈する。
関連論文リスト
- Efficient Multi-Crop Saliency Partitioning for Automatic Image Cropping [0.6906005491572401]
固定アスペクト比クロッピングアルゴリズムを拡張し、線形時間で複数の非重複作物を効率的に抽出する。
本手法は,サリエンシマップ全体を再計算することなく,注意閾値を動的に調整し,選択した作物を考慮から除去する。
論文 参考訳（メタデータ） (2025-06-28T08:32:53Z) - Wheat3DGS: In-field 3D Reconstruction, Instance Segmentation and Phenotyping of Wheat Heads with Gaussian Splatting [1.4100451538155885]
We present Wheat3DGS, a novel approach that leverageing 3DGS and the Segment Anything Model (SAM) for accurate 3D instance segmentation and morphological Measurement of hundreds of wheat head automatically。
高分解能レーザースキャンデータによるコムギの育種頭部抽出の精度を検証し, 長さ, 幅, 体積に対して15.1%, 18.3%, 40.2%の絶対値誤差が得られた。
論文 参考訳（メタデータ） (2025-04-09T15:31:42Z) - 3D Hierarchical Panoptic Segmentation in Real Orchard Environments Across Different Sensors [26.751567867124592]
本研究では, 異なるセンサから得られた3次元データに基づいて, リンゴ果樹の階層的パノプティックセグメンテーションの問題に対処する新しいアプローチを提案する。
我々のアプローチは、セマンティックセグメンテーション、トランクと果物のインスタンスセグメンテーション、木のインスタンスセグメンテーションを同時に提供できる。
我々のデータセットはドイツのボンで記録されており、さまざまなセンサーが付いた本物のリンゴ果樹園で、地上レーザースキャナーから、さまざまなロボットプラットフォームに搭載されたRGB-Dカメラにまたがっている。
論文 参考訳（メタデータ） (2025-03-17T13:59:20Z) - MaizeEar-SAM: Zero-Shot Maize Ear Phenotyping [0.9659487278134938]
エーカー当たりの穀物収量は、エーカー当たりの植物数、植物当たりの耳数、耳当たりの核数、および平均核重量を乗じることで計算される。
これら2つの特性を測定する従来の手作業の手法は時間を要するため、大規模なデータ収集が制限される。
提案手法は多種多様なトウモロコシの耳にまたがる1列あたりのカーネル数を同定する。
論文 参考訳（メタデータ） (2025-02-19T03:18:29Z) - View-Consistent Hierarchical 3D Segmentation Using Ultrametric Feature Fields [52.08335264414515]
我々は3次元シーンを表すニューラル・レージアンス・フィールド(NeRF)内の新しい特徴場を学習する。
本手法は、ビュー一貫性の多粒性2Dセグメンテーションを入力とし、3D一貫性のセグメンテーションの階層構造を出力として生成する。
提案手法と,多視点画像と多粒性セグメンテーションを用いた合成データセットのベースラインの評価を行い,精度と視点整合性を向上したことを示す。
論文 参考訳（メタデータ） (2024-05-30T04:14:58Z) - Unsupervised Multi-View Object Segmentation Using Radiance Field
Propagation [55.9577535403381]
本稿では,未ラベルのシーンの多視点画像のみを考慮し,再構成中の3次元オブジェクトのセグメント化に新たなアプローチを提案する。
提案手法の核となるのは,2方向光度損失を持つ個々の物体の放射界に対する新しい伝搬戦略である。
我々の知る限り、RFPはニューラルレイディアンスフィールド(NeRF)のための3次元シーンオブジェクトセグメンテーションに取り組むための最初の教師なしアプローチである。
論文 参考訳（メタデータ） (2022-10-02T11:14:23Z) - CLONeR: Camera-Lidar Fusion for Occupancy Grid-aided Neural
Representations [77.90883737693325]
本稿では,スパース入力センサビューから観測される大規模な屋外運転シーンをモデル化することで,NeRFを大幅に改善するCLONeRを提案する。
これは、NeRFフレームワーク内の占有率と色学習を、それぞれLiDARとカメラデータを用いてトレーニングされた個別のMulti-Layer Perceptron(MLP)に分離することで実現される。
さらに,NeRFモデルと平行に3D Occupancy Grid Maps(OGM)を構築する手法を提案し,この占有グリッドを利用して距離空間のレンダリングのために線に沿った点のサンプリングを改善する。
論文 参考訳（メタデータ） (2022-09-02T17:44:50Z) - On Triangulation as a Form of Self-Supervision for 3D Human Pose
Estimation [57.766049538913926]
ラベル付きデータが豊富である場合, 単一画像からの3次元ポーズ推定に対する改良されたアプローチは, 極めて効果的である。
最近の注目の多くは、セミと(あるいは)弱い教師付き学習に移行している。
本稿では,多視点の幾何学的制約を,識別可能な三角測量を用いて課し,ラベルがない場合の自己監督の形式として用いることを提案する。
論文 参考訳（メタデータ） (2022-03-29T19:11:54Z) - WheatNet: A Lightweight Convolutional Neural Network for High-throughput
Image-based Wheat Head Detection and Counting [12.735055892742647]
本研究では,小麦頭数を正確にかつ効率的に計算し,意思決定のためのリアルタイムデータ収集を支援する新しいディープラーニングフレームワークを提案する。
モデルコムギ網とよばれ,小麦畑の幅広い環境条件において,我々のアプローチが頑健かつ正確であることを実証する。
提案手法は, 小麦頭部計数タスクにおけるMAEとRMSEの3.85と5.19をそれぞれ達成し, 他の最先端手法に比べてパラメータが有意に少ない。
論文 参考訳（メタデータ） (2021-03-17T02:38:58Z)
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。