論文の概要: Can 3D point cloud data improve automated body condition score prediction in dairy cattle?

• arxiv url: http://arxiv.org/abs/2601.22522v1
• Date: Fri, 30 Jan 2026 03:59:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-02 18:28:15.204952
• Title: Can 3D point cloud data improve automated body condition score prediction in dairy cattle?
• Title（参考訳）: 乳牛の3Dポイントクラウドデータによる体調自動スコア予測の改善
• Authors: Zhou Tang, Jin Wang, Angelo De Castro, Yuxi Zhang, Victoria Bastos Primo, Ana Beatriz Montevecchio Bernardino, Gota Morota, Xu Wang, Ricardo C Chebel, Haipeng Yu,
• Abstract要約: 体調スコア (BCS) は, 乳牛の代謝状態, 生殖能力, 健康と密接に関連している。 BCSの予測にはコンピュータビジョンのアプローチが適用されており、色やテクスチャに依存しない幾何学的情報を取得するため、深度画像が広く使用されている。 3次元の点雲データは、動物形態学のよりリッチな幾何学的特徴を表現する能力によって、関心が高まりつつある。
• 参考スコア（独自算出の注目度）: 5.1089385151950655
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Body condition score (BCS) is a widely used indicator of body energy status and is closely associated with metabolic status, reproductive performance, and health in dairy cattle; however, conventional visual scoring is subjective and labor-intensive. Computer vision approaches have been applied to BCS prediction, with depth images widely used because they capture geometric information independent of coat color and texture. More recently, three-dimensional point cloud data have attracted increasing interest due to their ability to represent richer geometric characteristics of animal morphology, but direct head-to-head comparisons with depth image-based approaches remain limited. In this study, we compared top-view depth image and point cloud data for BCS prediction under four settings: 1) unsegmented raw data, 2) segmented full-body data, 3) segmented hindquarter data, and 4) handcrafted feature data. Prediction models were evaluated using data from 1,020 dairy cows collected on a commercial farm, with cow-level cross-validation to prevent data leakage. Depth image-based models consistently achieved higher accuracy than point cloud-based models when unsegmented raw data and segmented full-body data were used, whereas comparable performance was observed when segmented hindquarter data were used. Both depth image and point cloud approaches showed reduced accuracy when handcrafted feature data were employed compared with the other settings. Overall, point cloud-based predictions were more sensitive to noise and model architecture than depth image-based predictions. Taken together, these results indicate that three-dimensional point clouds do not provide a consistent advantage over depth images for BCS prediction in dairy cattle under the evaluated conditions.
• Abstract（参考訳）: 身体状態スコア(BCS)は、身体のエネルギー状態の指標として広く用いられており、乳牛の代謝状態、生殖能力、健康と密接に関連しているが、従来の視覚的スコアは主観的で労働集約的である。 BCSの予測にはコンピュータビジョンのアプローチが適用されており、色やテクスチャに依存しない幾何学的情報を取得するため、深度画像が広く使用されている。 近年,動物形態学のリッチな幾何学的特徴を表現できることから,三次元点雲データへの関心が高まっている。 本研究では,BCS予測のためのトップビュー深度画像とポイントクラウドデータを4つの設定で比較した。 1)未処理の生データ 2)全体データを分割する。 3)分節後部データ、及び 4)手作りの特徴データ。 市販農場で採集された1020頭の乳牛のデータを用いて,牛レベルのクロスバリデーションを用いて,データ漏洩防止のための予測モデルの評価を行った。 画像に基づく深度モデルは、未分割の生データとセグメント化された全体データを使用する場合、ポイントクラウドベースモデルよりも常に高い精度を達成したが、セグメント化された後部データを使用する場合、同等のパフォーマンスが観察された。 深度画像と点雲のアプローチは、他の設定と比較して手作りの特徴データを使用した場合の精度が低下した。 全体として、ポイントクラウドベースの予測は、深度画像ベースの予測よりもノイズやモデルアーキテクチャに敏感だった。 これらの結果から, 3次元点雲は, 乳牛のBCS予測において, 深度画像に対して一貫した優位性を与えていないことが示唆された。

関連論文リスト

• Evaluating transfer learning strategies for improving dairy cattle body weight prediction in small farms using depth-image and point-cloud data [2.9716917288738283]
  本研究の目的は,移動学習が限られたデータしか持たない小農場における体重予測を促進させるかどうかを評価することである。 深度画像のConvNeXtとMobileViT、ポイントクラウドのPointNetとDGCNNの4つのディープラーニングモデルが評価された。 その結果,プレトレーニングされた表現は,画像条件の異なる農場や乳牛の個体群でよく一般化していることが明らかとなった。
  論文  参考訳（メタデータ） (2026-01-03T02:41:54Z)
• PointVoxelFormer -- Reviving point cloud networks for 3D medical imaging [0.0]
  点雲は、医療画像における体積データを表現するための非常に効率的な方法である。 それらの利点にもかかわらず、ポイントクラウドは、ボリューム3D CNNやビジョントランスフォーマーと比較して、医療画像においてまだ過小評価されている。 この研究は、ポイントワイズ演算と中間微分可能化と高密度局所化CNNを組み合わせたハイブリッドアプローチを示す。
  論文  参考訳（メタデータ） (2024-12-23T08:43:39Z)
• Universal Bovine Identification via Depth Data and Deep Metric Learning [1.6605913858547239]
  本稿では,個別の牛を正確に識別する深度のみの深度学習システムを提案する。 群れの大きさの増大は、農場における牛と人間の比率を歪め、個人を手動で監視することがより困難になる。 そこで本研究では,市販の3Dカメラの深度データを用いた牛の識別のための深度学習手法を提案する。
  論文  参考訳（メタデータ） (2024-03-29T22:03:53Z)
• Leveraging Large-Scale Pretrained Vision Foundation Models for Label-Efficient 3D Point Cloud Segmentation [67.07112533415116]
  本稿では3Dポイントクラウドセグメンテーションタスクに様々な基礎モデルを適用する新しいフレームワークを提案する。 我々のアプローチでは、異なる大きな視覚モデルを用いて2次元セマンティックマスクの初期予測を行う。 本研究では,ロバストな3Dセマンティックな擬似ラベルを生成するために,投票による全ての結果を効果的に組み合わせたセマンティックなラベル融合戦略を提案する。
  論文  参考訳（メタデータ） (2023-11-03T15:41:15Z)
• OOD-CV-v2: An extended Benchmark for Robustness to Out-of-Distribution Shifts of Individual Nuisances in Natural Images [59.51657161097337]
  OOD-CV-v2は、ポーズ、形状、テクスチャ、コンテキスト、気象条件の10のオブジェクトカテゴリのアウト・オブ・ディストリビューションの例を含むベンチマークデータセットである。 この新たなデータセットに加えて、一般的なベースライン手法を用いた広範な実験にも貢献する。
  論文  参考訳（メタデータ） (2023-04-17T20:39:25Z)
• Point Cloud Registration for LiDAR and Photogrammetric Data: a Critical Synthesis and Performance Analysis on Classic and Deep Learning Algorithms [7.874736360019618]
  本稿では,SOTA(State-of-the-art)ポイントクラウド登録手法について概観する。 本研究では,屋内から衛星まで多様な点雲データを用いて,これらの手法を解析・評価する。 古典的な手作り、ディープラーニングに基づく特徴対応、堅牢なC2C手法を含む10以上の手法が試験された。
  論文  参考訳（メタデータ） (2023-02-14T16:52:26Z)
• SensatUrban: Learning Semantics from Urban-Scale Photogrammetric Point Clouds [52.624157840253204]
  センサットウルバン(SensatUrban)は、イギリスの3都市から収集された7.6km2の30億点近くからなる、都市規模のUAV測光点クラウドデータセットである。 データセットの各ポイントは、粒度の細かいセマンティックアノテーションでラベル付けされ、その結果、既存の最大のフォトグラムポイントクラウドデータセットの3倍の大きさのデータセットが生成される。
  論文  参考訳（メタデータ） (2022-01-12T14:48:11Z)
• Data Consistent CT Reconstruction from Insufficient Data with Learned Prior Images [70.13735569016752]
  偽陰性病変と偽陽性病変を呈示し,CT画像再構成における深層学習の堅牢性について検討した。 本稿では,圧縮センシングと深層学習の利点を組み合わせた画像品質向上のためのデータ一貫性再構築手法を提案する。 提案手法の有効性は,円錐ビームCTにおいて,トランキャットデータ,リミテッドアングルデータ,スパースビューデータで示される。
  論文  参考訳（メタデータ） (2020-05-20T13:30:49Z)

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。