論文の概要: How to rewrite the stars: Mapping your orchard over time through constellations of fruits

• arxiv url: http://arxiv.org/abs/2602.04722v1
• Date: Wed, 04 Feb 2026 16:31:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-05 19:45:11.624609
• Title: How to rewrite the stars: Mapping your orchard over time through constellations of fruits
• Title（参考訳）: 星の書き直し方法:果樹園を果樹の星座にマッピングする方法
• Authors: Gonçalo P. Matos, Carlos Santiago, João P. Costeira, Ricardo L. Saldanha, Ernesto M. Morgado,
• Abstract要約: 本稿では,ビデオ間での果実のマッチング問題に対処する新たなパラダイムを提案する。 提案手法は, ビデオや時間を通して, 果実のマッチングに有効である。 果樹園の地図を作り、その後6DoFでカメラのポーズを見つけるために使うこともできる。
• 参考スコア（独自算出の注目度）: 8.064400168497373
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Following crop growth through the vegetative cycle allows farmers to predict fruit setting and yield in early stages, but it is a laborious and non-scalable task if performed by a human who has to manually measure fruit sizes with a caliper or dendrometers. In recent years, computer vision has been used to automate several tasks in precision agriculture, such as detecting and counting fruits, and estimating their size. However, the fundamental problem of matching the exact same fruits from one video, collected on a given date, to the fruits visible in another video, collected on a later date, which is needed to track fruits' growth through time, remains to be solved. Few attempts were made, but they either assume that the camera always starts from the same known position and that there are sufficiently distinct features to match, or they used other sources of data like GPS. Here we propose a new paradigm to tackle this problem, based on constellations of 3D centroids, and introduce a descriptor for very sparse 3D point clouds that can be used to match fruits across videos. Matching constellations instead of individual fruits is key to deal with non-rigidity, occlusions and challenging imagery with few distinct visual features to track. The results show that the proposed method can be successfully used to match fruits across videos and through time, and also to build an orchard map and later use it to locate the camera pose in 6DoF, thus providing a method for autonomous navigation of robots in the orchard and for selective fruit picking, for example.
• Abstract（参考訳）: 野菜の栽培サイクルを通じて作物が成長すると、農家は早期に果物の設定と収量を予測することができるが、果樹量計や樹形計で手動で果実の大きさを測らなければならない人間によって行われると、手間がかからない作業である。 近年、コンピュータビジョンは、果物の検出と数え、その大きさを推定するなど、精密農業におけるいくつかのタスクを自動化するために使われてきた。 しかし、ある日、ある日、ある日、ある日、ある日、ある日、ある日、ある日、ある日、ある日、ある日、ある日、ある果実と全く同じ果実を合わせるという根本的な問題は、時間を通して、果実の成長を追跡するのに必要な後日、解決される。 ほとんど試みられていないが、カメラは常に同じ位置から始まり、一致すべき特徴が十分に異なると仮定するか、あるいはGPSのような他のデータソースを使用するかのどちらかだ。 本稿では,この問題に対処するための新しいパラダイムを提案し,ビデオ間の果物のマッチングに使用できる,非常にスパースな3D点雲のディスクリプタを提案する。 個々の果実の代わりに星座を合わせることは、厳密性、排他性、難解なイメージに対処するための鍵となる。 その結果, 提案手法は, 果樹図の作成や6DoF内のカメラポーズの特定に有効であり, 果樹園内のロボットの自律的なナビゲーションや, 果樹園の選別果樹の選別などを行うことができることがわかった。

関連論文リスト

• FG$^2$: Fine-Grained Cross-View Localization by Fine-Grained Feature Matching [69.81167130510333]
  本研究では, 地上画像の3次元自由度ポーズを, 周囲の空中画像から推定する, 微粒なクロスビューローカライゼーション手法を提案する。 地中画像から生成された点面と地中画像からサンプリングされた点面とを合わせ、ポーズを推定する。 従来の最先端技術と比較して,VIGORクロスエリアテストセットでは,平均局所化誤差を28%削減する。
  論文  参考訳（メタデータ） (2025-03-24T14:34:20Z)
• Horticultural Temporal Fruit Monitoring via 3D Instance Segmentation and Re-Identification using Colored Point Clouds [29.23207854514898]
  本研究では, 時間とともに収集された3次元地上点雲における実例分割と再同定のための新しい手法を提案する。 提案手法は, 濃密な色の点雲を直接操作し, きめ細かい3次元空間的詳細を捉える。 イチゴとリンゴの実際のデータセットに対する我々のアプローチを評価し、インスタンスのセグメンテーションと時間的再同定の両方において既存の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-11-12T13:53:22Z)
• A pipeline for multiple orange detection and tracking with 3-D fruit relocalization and neural-net based yield regression in commercial citrus orchards [0.0]
  本稿では,パイプラインとして実装されたビデオの果実数を利用した非侵襲的な代替手段を提案する。 そこで本研究では, 果実位置の3次元推定を利用した再局在化成分を導入する。 果実の少なくとも30%を正確に検出・追跡・数えることにより, 収率回帰器の精度は0.85である。
  論文  参考訳（メタデータ） (2023-12-27T21:22:43Z)
• Panoptic Mapping with Fruit Completion and Pose Estimation for Horticultural Robots [33.21287030243106]
  植物や果実を高解像度でモニタリングすることは、農業の未来において重要な役割を担っている。 正確な3D情報は、自律収穫から正確な収量推定まで、農業における多様なロボット応用への道を開くことができる。 移動ロボットによって構築された3次元多次元マップにおいて,果実の完全な3次元形状とそのポーズを共同で推定する問題に対処する。
  論文  参考訳（メタデータ） (2023-03-15T20:41:24Z)
• Fruit Ripeness Classification: a Survey [59.11160990637616]
  食品を格付けするための特徴記述子を多用する多くの自動的手法が提案されている。 機械学習とディープラーニング技術がトップパフォーマンスの手法を支配している。 ディープラーニングは生のデータで操作できるため、複雑なエンジニアリング機能を計算する必要がなくなる。
  論文  参考訳（メタデータ） (2022-12-29T19:32:20Z)
• End-to-end deep learning for directly estimating grape yield from ground-based imagery [53.086864957064876]
  本研究は, ブドウ畑の収量推定に深層学習と併用した近位画像の応用を実証する。 オブジェクト検出、CNN回帰、トランスフォーマーモデルという3つのモデルアーキテクチャがテストされた。 本研究は,ブドウの収量予測における近位画像と深層学習の適用性を示した。
  論文  参考訳（メタデータ） (2022-08-04T01:34:46Z)
• A methodology for detection and localization of fruits in apples orchards from aerial images [0.0]
  本研究は, 空中画像を用いた自動果物カウント手法を提案する。 複数のビュー形状に基づくアルゴリズムが含まれており、果物の追跡を行う。 予備評価では,リンゴの果実数と実収率との間に0.8以上の相関が認められた。
  論文  参考訳（メタデータ） (2021-10-24T01:57:52Z)
• MetaPose: Fast 3D Pose from Multiple Views without 3D Supervision [72.5863451123577]
  正確な3Dポーズとカメラ推定が可能なニューラルモデルをトレーニングする方法を示す。 本手法は,古典的バンドル調整と弱教師付き単分子3Dベースラインの両方に優れる。
  論文  参考訳（メタデータ） (2021-08-10T18:39:56Z)
• Wide-Area Crowd Counting: Multi-View Fusion Networks for Counting in Large Scenes [50.744452135300115]
  マルチビュー・クラウドカウントのためのディープニューラルネットワークフレームワークを提案する。 提案手法は,他のマルチビューカウントベースラインと比較して,最先端の結果が得られる。
  論文  参考訳（メタデータ） (2020-12-02T03:20:30Z)
• Shape and Viewpoint without Keypoints [63.26977130704171]
  本研究では,1枚の画像から3次元形状,ポーズ,テクスチャを復元する学習フレームワークを提案する。 我々は,3次元形状,マルチビュー,カメラ視点,キーポイントの監督なしに画像収集を訓練した。 我々は、最先端のカメラ予測結果を取得し、オブジェクト間の多様な形状やテクスチャを予測することを学べることを示す。
  論文  参考訳（メタデータ） (2020-07-21T17:58:28Z)

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。