論文の概要: StomataSeg: Semi-Supervised Instance Segmentation for Sorghum Stomatal Components
- arxiv url: http://arxiv.org/abs/2602.00703v1
- Date: Sat, 31 Jan 2026 13:01:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-03 19:28:33.346117
- Title: StomataSeg: Semi-Supervised Instance Segmentation for Sorghum Stomatal Components
- Title（参考訳）: StomataSeg: Sorghum Stomatal Componentsのための半監督インスタンスセグメンテーション
- Authors: Zhongtian Huang, Zhi Chen, Zi Huang, Xin Yu, Daniel Smith, Chaitanya Purushothama, Erik Van Oosterom, Alex Wu, William Salter, Yan Li, Scott Chapman,
- Abstract要約: ソルガム (Sorghum) は、水に制限された地域やストレスの強い地域で広く栽培される、世界的な重要な穀物である。
現在のメソッドは、ネストされた小さな構造とアノテーションのボトルネックに関連する課題に直面している。
そこで本研究では,ソリガム確率成分の分析に適した半教師付きインスタンスセグメンテーションフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 27.879332209503435
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Sorghum is a globally important cereal grown widely in water-limited and stress-prone regions. Its strong drought tolerance makes it a priority crop for climate-resilient agriculture. Improving water-use efficiency in sorghum requires precise characterisation of stomatal traits, as stomata control of gas exchange, transpiration and photosynthesis have a major influence on crop performance. Automated analysis of sorghum stomata is difficult because the stomata are small (often less than 40 $μ$m in length in grasses such as sorghum) and vary in shape across genotypes and leaf surfaces. Automated segmentation contributes to high-throughput stomatal phenotyping, yet current methods still face challenges related to nested small structures and annotation bottlenecks. In this paper, we propose a semi-supervised instance segmentation framework tailored for analysis of sorghum stomatal components. We collect and annotate a sorghum leaf imagery dataset containing 11,060 human-annotated patches, covering the three stomatal components (pore, guard cell and complex area) across multiple genotypes and leaf surfaces. To improve the detection of tiny structures, we split high-resolution microscopy images into overlapping small patches. We then apply a pseudo-labelling strategy to unannotated images, producing an additional 56,428 pseudo-labelled patches. Benchmarking across semantic and instance segmentation models shows substantial performance gains: for semantic models the top mIoU increases from 65.93% to 70.35%, whereas for instance models the top AP rises from 28.30% to 46.10%. These results demonstrate that combining patch-based preprocessing with semi-supervised learning significantly improves the segmentation of fine stomatal structures. The proposed framework supports scalable extraction of stomatal traits and facilitates broader adoption of AI-driven phenotyping in crop science.
- Abstract（参考訳）: ソルガム (Sorghum) は、水に制限された地域やストレスの強い地域で広く栽培される、世界的な重要な穀物である。
強い干ばつ耐性は、気候に耐性のある農業にとって最優先の作物である。
ソルガムの水利用効率の向上には、ガス交換、蒸散、光合成のストーマタ制御が作物のパフォーマンスに大きな影響を及ぼすため、気孔特性の正確な特徴付けが必要である。
ソルガム・ストマタの自動解析は、ストマタが小さい(しばしばソルガムなどの草地では40$μ$m未満)ため、遺伝子型や葉面によって形状が変化するため困難である。
自動セグメンテーションは、高スループットの確率表現に寄与するが、現在の手法は、ネストされた小さな構造やアノテーションのボトルネックに関連する課題に直面している。
本稿では,ソリガム確率成分の分析に適した半教師付きインスタンスセグメンテーションフレームワークを提案する。
11,060個の人に注釈を付けたパッチを含むソルガムの葉のイメージデータセットを収集・注釈し、複数の遺伝子型と葉面にわたって3つの気孔成分(孔、ガード細胞、複雑な領域)をカバーした。
微細構造の検出を改善するため,高分解能顕微鏡像を重なり合う小さなパッチに分割した。
次に、アノテーションのない画像に擬似ラベリング戦略を適用し、56,428個の擬似ラベリングパッチを生成する。
セマンティックモデルとインスタンスセグメンテーションモデルのベンチマークでは、セマンティックモデルでは、トップmIoUは65.93%から70.35%に増加し、例えば、トップAPは28.30%から46.10%に上昇した。
これらの結果は、パッチベースの事前処理と半教師付き学習を組み合わせることで、微細な組織構造のセグメンテーションを著しく改善することを示した。
提案するフレームワークは、確率特性のスケーラブルな抽出をサポートし、作物科学におけるAI駆動表現型化の広範な導入を促進する。
関連論文リスト
- BeetleVerse: A Study on Taxonomic Classification of Ground Beetles [0.310688583550805]
地上の甲虫は、非常に敏感で特異な生物学的指標であり、生物多様性のモニタリングに不可欠である。
本稿では,4つの多種多様な長い尾を持つデータセットの分類分類に関する12の視覚モデルを評価する。
その結果,視覚と言語変換器を頭部と組み合わせたモデルが最も優れており,97%の精度で種・種レベルでの精度が得られた。
論文 参考訳（メタデータ） (2025-04-18T01:06:37Z) - BonnBeetClouds3D: A Dataset Towards Point Cloud-based Organ-level Phenotyping of Sugar Beet Plants under Field Conditions [28.79416825695514]
農業生産は今後数十年間、気候変動と持続可能性の必要性によって深刻な課題に直面している。
自律無人航空機(UAV)による作物のモニタリングと、ロボットによる非化学雑草によるフィールド管理の進歩は、これらの課題に対処するのに有用である。
表現型化と呼ばれる植物形質の分析は、植物の育種に不可欠な活動であるが、大量の手作業が伴う。
論文 参考訳（メタデータ） (2023-12-22T14:06:44Z) - Hierarchical Mask2Former: Panoptic Segmentation of Crops, Weeds and
Leaves [0.41129099372031175]
本研究では,植物生育の指標を同定し,画像中の雑草を同定する階層的パノプティックセグメンテーション法を提案する。
我々は、作物、雑草、葉のマスクを予測するために、パン光学セグメンテーションのための最先端アーキテクチャであるMask2Formerを適用した。
よりコンパクトなアーキテクチャでは、推論は最大60%速くなり、PQdagの削減は1%以下になります。
論文 参考訳（メタデータ） (2023-10-10T12:47:31Z) - Agave crop segmentation and maturity classification with deep learning
data-centric strategies using very high-resolution satellite imagery [101.18253437732933]
超高解像度衛星画像を用いたAgave tequilana Weber azul crop segmentation and mature classificationを提案する。
実世界の深層学習問題を,作物の選別という非常に具体的な文脈で解決する。
結果として得られた正確なモデルにより、大規模地域で生産予測を行うことができる。
論文 参考訳（メタデータ） (2023-03-21T03:15:29Z) - Hierarchical Transformer for Survival Prediction Using Multimodality
Whole Slide Images and Genomics [63.76637479503006]
下流タスクのためのギガピクセルレベルのスライド病理画像(WSI)の良質な表現を学習することが重要である。
本稿では,病理画像と対応する遺伝子間の階層的マッピングを学習する階層型マルチモーダルトランスフォーマーフレームワークを提案する。
より優れたWSI表現能力を維持しながら、ベンチマーク手法と比較してGPUリソースが少ないアーキテクチャです。
論文 参考訳（メタデータ） (2022-11-29T23:47:56Z) - Semantic Image Segmentation with Deep Learning for Vine Leaf Phenotyping [59.0626764544669]
本研究では,ブドウの葉のイメージを意味的にセグメント化するためにDeep Learning法を用いて,葉の表現型自動検出システムを開発した。
私たちの研究は、成長や開発のような動的な特性を捉え定量化できる植物ライフサイクルのモニタリングに寄与します。
論文 参考訳（メタデータ） (2022-10-24T14:37:09Z) - Pollen13K: A Large Scale Microscope Pollen Grain Image Dataset [63.05335933454068]
この研究は、1万3千以上の天体を含む最初の大規模花粉画像データセットを提示する。
本稿では, エアロバイオロジカルサンプリング, 顕微鏡画像取得, 物体検出, セグメンテーション, ラベル付けなど, 採用データ取得のステップに注目した。
論文 参考訳（メタデータ） (2020-07-09T10:33:31Z) - 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。