論文の概要: Learning to Synergize Semantic and Geometric Priors for Limited-Data Wheat Disease Segmentation

• arxiv url: http://arxiv.org/abs/2604.05415v1
• Date: Tue, 07 Apr 2026 04:19:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-08 17:42:09.621198
• Title: Learning to Synergize Semantic and Geometric Priors for Limited-Data Wheat Disease Segmentation
• Title（参考訳）: 限定データ小麦病セグメンテーションにおけるセマンティックおよび幾何学的事前の相乗効果の学習
• Authors: Shijie Wang, Zijian Wang, Yadan Luo, Scott Chapman, Xin Yu, Zi Huang,
• Abstract要約: 本研究では,小麦病のセグメンテーションを病種特異的な意味認識と疾患境界の局所化の複合的課題として扱う枠組みを提案する。 我々の中核的な洞察は、事前訓練されたDINOv2は、出現シフトを処理するために、堅牢なカテゴリ認識セマンティックスを提供します。 SGPer は,コムギ病と臓器分画のベンチマークにおいて,常に最先端のパフォーマンスを達成している。
• 参考スコア（独自算出の注目度）: 51.06355116973389
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Wheat disease segmentation is fundamental to precision agriculture but faces severe challenges from significant intra-class temporal variations across growth stages. Such substantial appearance shifts make collecting a representative dataset for training from scratch both labor-intensive and impractical. To address this, we propose SGPer, a Semantic-Geometric Prior Synergization framework that treats wheat disease segmentation under limited data as a coupled task of disease-specific semantic perception and disease boundary localization. Our core insight is that pretrained DINOv2 provides robust category-aware semantic priors to handle appearance shifts, which can be converted into coarse spatial prompts to guide SAM for the precise localization of disease boundaries. Specifically, SGPer designs disease-sensitive adapters with multiple disease-friendly filters and inserts them into both DINOv2 and SAM to align their pretrained representations with disease-specific characteristics. To operationalize this synergy, SGPer transforms DINOv2-derived features into dense, category-specific point prompts to ensure comprehensive spatial coverage of all disease regions. To subsequently eliminate prompt redundancy and ensure highly accurate mask generation, it dynamically filters these dense candidates by cross-referencing SAM's iterative mask confidence with the category-specific semantic consistency derived from DINOv2. Ultimately, SGPer distills a highly informative set of prompts to activate SAM's geometric priors, achieving precise and robust segmentation that remains strictly invariant to temporal appearance changes. Extensive evaluations demonstrate that SGPer consistently achieves state-of-the-art performance on wheat disease and organ segmentation benchmarks, especially in data-constrained scenarios.
• Abstract（参考訳）: 小麦病のセグメンテーションは、精密農業の基本であるが、成長段階間での階級内時間変動による深刻な課題に直面している。 このような実質的な外見の変化は、労働集約的かつ非現実的両方のスクラッチからトレーニングのための代表的なデータセットを収集します。 そこで本研究では,コムギ病のセグメンテーションを限定データで扱うセマンティック・ジオメトリクス・プレシネギゼーション・フレームワークであるSGPerを提案する。 我々の中核的な洞察は、DINOv2は、外見の変化を扱うために頑健なカテゴリー認識のセマンティクスを提供しており、SAMを病域の正確な局所化に導くために、粗い空間的プロンプトに変換できるということである。 具体的には、SGPerは複数の病原性フィルターを持つ病原性アダプターを設計し、それらをDINOv2とSAMの両方に挿入し、その事前訓練された表現と疾患特異的な特徴を一致させる。 このシナジーを運用するために、SGPerはDINOv2由来の特徴を高密度のカテゴリ特異的なポイントプロンプトに変換する。 その後、迅速な冗長性を排除し、高精度なマスク生成を保証するため、SAMの反復マスク信頼度とDINOv2から派生したカテゴリ固有のセマンティック一貫性を相互参照することにより、これらの密な候補を動的にフィルタリングする。 究極的には、SGPerはSAMの幾何学的先行を活性化するために非常に有意義なプロンプトのセットを蒸留し、時間的外見の変化に厳密に変化しない正確で堅牢なセグメンテーションを達成する。 SGPerは、特にデータ制約シナリオにおいて、コムギ病や臓器分節のベンチマークにおいて、常に最先端のパフォーマンスを達成していることを示す。

関連論文リスト

• A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
  本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。 CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。 本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
  論文  参考訳（メタデータ） (2025-12-15T10:22:43Z)
• The 1st Solution for CARE Liver Task Challenge 2025: Contrast-Aware Semi-Supervised Segmentation with Domain Generalization and Test-Time Adaptation [23.156209918252838]
  CoSSeg-TTA は nnU-Netv2 上に構築された GED4 (Gd-EOB-DTPA 拡張肝胆道相MRI) のコンパクトセグメンテーションフレームワークである。 ドメイン適応モジュールは、ランダム化されたヒストグラムスタイルの外観伝達関数とトレーニング可能なコントラスト対応ネットワークを組み込んで、ドメインの多様性を強化し、センター間の変動を緩和する。
  論文  参考訳（メタデータ） (2025-10-05T15:18:53Z)
• Generate Aligned Anomaly: Region-Guided Few-Shot Anomaly Image-Mask Pair Synthesis for Industrial Inspection [53.137651284042434]
  異常検査は製造業において重要な役割を担っているが、異常サンプルの不足は既存の方法の有効性を制限している。 本稿では,GAA (Generate grained Anomaly) を提案する。 GAAは少数のサンプルのみを用いて現実的で多様で意味的に整合した異常を発生させる。
  論文  参考訳（メタデータ） (2025-07-13T12:56:59Z)
• MedSeg-R: Medical Image Segmentation with Clinical Reasoning [28.33172310047359]
  MedSeg-Rは、臨床推論にインスパイアされた軽量でデュアルステージのフレームワークである。 その認知段階は、医療報告を、トランスフォーマーブロックを介して融合される構造化セマンティックプリエントに解釈する。 挑戦的なベンチマークでは、MedSeg-Rは重なり合う構造とあいまいな構造において大きなDiceの改善をもたらす。
  論文  参考訳（メタデータ） (2025-06-23T14:14:09Z)
• ConDiSR: Contrastive Disentanglement and Style Regularization for Single Domain Generalization [42.810247034149214]
  医療データは、しばしば分散シフトを示し、標準パイプラインを使用してトレーニングされたディープラーニングモデルのテスト時のパフォーマンス劣化を引き起こす。 本研究は、分類タスクの文脈において、単一ドメインの一般化フレームワークを探索することの重要性と課題を強調した。
  論文  参考訳（メタデータ） (2024-03-14T13:50:44Z)
• TraSeTR: Track-to-Segment Transformer with Contrastive Query for Instance-level Instrument Segmentation in Robotic Surgery [60.439434751619736]
  そこで我々は,TraSeTRを提案する。TraSeTR,TraSeTR,Trace-to-Segment Transformerは,手術器具のセグメンテーションを支援する。 TraSeTRは、機器の種類、位置、アイデンティティとインスタンスレベルの予測を共同で理由付けている。 提案手法の有効性を,3つの公開データセットに対して,最先端の計器型セグメンテーション結果を用いて実証した。
  論文  参考訳（メタデータ） (2022-02-17T05:52:18Z)
• Weakly-Supervised Cross-Domain Adaptation for Endoscopic Lesions Segmentation [79.58311369297635]
  異なるデータセットにまたがるトランスファー可能なドメイン不変知識を探索できる,新しい弱い教師付き病巣移動フレームワークを提案する。 wasserstein quantified transferability frameworkは、広い範囲の転送可能なコンテキスト依存性を強調するために開発されている。 新規な自己監督型擬似ラベル生成器は、送信困難かつ転送容易なターゲットサンプルの両方に対して、確実な擬似ピクセルラベルを等しく提供するように設計されている。
  論文  参考訳（メタデータ） (2020-12-08T02:26:03Z)

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。