論文の概要: Uncertainty-Guided Attention and Entropy-Weighted Loss for Precise Plant Seedling Segmentation

• arxiv url: http://arxiv.org/abs/2604.10823v1
• Date: Sun, 12 Apr 2026 21:26:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:16.234502
• Title: Uncertainty-Guided Attention and Entropy-Weighted Loss for Precise Plant Seedling Segmentation
• Title（参考訳）: 精密苗分割における不確実性誘導とエントロピー重み付き損失
• Authors: Mohamed Ehab, Ali Hamdi,
• Abstract要約: 植物苗分割は、精密農業における自動表現型化をサポートする。 標準セグメンテーションモデルは、複雑な背景画像と葉の微細構造のために困難に直面している。 UGDA-Net(エントロピー重みとディープスーパービジョンを備えた不確実性誘導デュアルアテンションネットワーク)を紹介する。
• 参考スコア（独自算出の注目度）: 0.2864713389096699
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Plant seedling segmentation supports automated phenotyping in precision agriculture. Standard segmentation models face difficulties due to intricate background images and fine structures in leaves. We introduce UGDA-Net (Uncertainty-Guided Dual Attention Network with Entropy-Weighted Loss and Deep Supervision). Three novel components make up UGDA-Net. The first component is Uncertainty-Guided Dual Attention (UGDA). UGDA uses channel variance to modulate feature maps. The second component is an entropy-weighted hybrid loss function. This loss function focuses on high-uncertainty boundary pixels. The third component employs deep supervision for intermediate encoder layers. We performed a comprehensive systematic ablation study. This study focuses on two widely-used architectures, U-Net and LinkNet. It analyzes five incremental configurations: Baseline, Loss-only, Attention-only, Deep Supervision, and UGDA-Net. We trained UGDA-net using a high-resolution plant seedling image dataset containing 432 images. We demonstrate improved segmentation performance and accuracy. With an increase in Dice coefficient of 9.3% above baseline. LinkNet's variance is 13.2% above baseline. Overlays that are qualitative in nature show the reduced false positives at the leaf boundary. Uncertainty heatmaps are consistent with the complex morphology. UGDA-Net aids in the segmentation of delicate structures in plants and provides a high-def solution. The results showed that uncertainty-guided attention and uncertainty-weighted loss are two complementing systems.
• Abstract（参考訳）: 植物苗分割は、精密農業における自動表現型化をサポートする。 標準セグメンテーションモデルは、複雑な背景画像と葉の微細構造のために困難に直面している。 本稿では,Uncertainty-Guided Dual Attention Network with Entropy-Weighted Loss and Deep Supervisionを紹介する。 UGDA-Netを構成する3つの新しいコンポーネント。 最初のコンポーネントは、Uncertainty-Guided Dual Attention (UGDA)である。 UGDAはチャンネル分散を使って特徴写像を変調する。 第2の構成要素はエントロピー重み付きハイブリッド損失関数である。 この損失関数は高不確かさ境界画素に焦点をあてる。 第3のコンポーネントは中間エンコーダ層を深く監視する。 我々は総合的な体系的アブレーション研究を行った。 本研究では、U-NetとLinkNetという2つの広く使われているアーキテクチャに焦点を当てた。 Baseline、Loss-only、Attention-only、Deep Supervision、UGDA-Netの5つのインクリメンタル構成を分析している。 432枚の画像を含む高分解能植物苗画像データセットを用いてUGDA-netを訓練した。 セグメンテーション性能と精度を改善した。 ベースラインより9.3%のDice係数が増加する。 LinkNetの分散は、ベースラインよりも13.2%高い。 自然界で定性的であるオーバーレイは、葉の境界における偽陽性の減少を示す。 不確かさのヒートマップは複素形態と一致している。 UGDA-Netは植物の繊細な構造を分割し、高解像度の溶液を提供する。 その結果,不確実性誘導と不確実性喪失は相補的な2つのシステムであることが示唆された。

関連論文リスト

• Generalizing GNNs with Tokenized Mixture of Experts [75.8310720413187]
  安定性の向上には,変化に敏感な特徴への依存を低減し,既約最悪の一般化フロアを残す必要があることを示す。 本研究では,STEM-GNNを提案する。STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN。 9つのノード、リンク、グラフのベンチマークで、STEM-GNNはより強力な3方向バランスを実現し、クリアグラフ上での競争力を維持しながら、次数/ホモフィリーシフトや特徴/エッジの破損に対する堅牢性を改善している。
  論文  参考訳（メタデータ） (2026-02-09T22:48:30Z)
• D3R-Net: Dual-Domain Denoising Reconstruction Network for Robust Industrial Anomaly Detection [0.0]
  非教師付き異常検出(UAD)は、現代の製造において、自動視覚検査の鍵となる要素である。 本稿では、D3R-Netについて紹介する。D3R-Netは、自己教師型「癒し」タスクと周波数認識正規化を結合したデュアルドメイン・デノベーション・コンストラクションフレームワークである。 空間平均二乗誤差に加えて、周波数領域の整合性を促進するFast Fourier Transform (FFT) 等級損失を用いる。
  論文  参考訳（メタデータ） (2026-01-27T23:21:59Z)
• Evaluating Loss Functions for Graph Neural Networks: Towards Pretraining and Generalization [1.2522462543913029]
  研究はインダクティブとトランスダクティブの両方について検討した。 平均ランクに基づいて,各指標の上位10のモデル-ロスの組み合わせを慎重に分析した。 GINアーキテクチャは常に最高レベルの平均性能を示しており、特にクロスエントロピー損失がある。
  論文  参考訳（メタデータ） (2025-06-17T02:12:19Z)
• How Learnable Grids Recover Fine Detail in Low Dimensions: A Neural Tangent Kernel Analysis of Multigrid Parametric Encodings [106.3726679697804]
  フーリエ特徴符号化(FFE)とマルチグリッドパラメトリック符号化(MPE)の2つの手法を比較した。 MPEは低次元マッピングの標準と見なされるが、MPEはそれらを上回り、高解像度で詳細な表現を学習することが多い。 我々は,MPEが学習可能な埋め込みではなく,グリッド構造を通じてネットワークの性能を向上させることを証明した。
  論文  参考訳（メタデータ） (2025-04-18T02:18:08Z)
• Convolution-based Probability Gradient Loss for Semantic Segmentation [0.0]
  本稿では,意味的セグメンテーションのための新しいConvolution-based Probability Gradient (CPG)ロスを提案する。 ソベル演算子に似た畳み込みカーネルを使用し、画像中のピクセル強度の勾配を計算することができる。 我々は,CPG損失が3つの確立されたネットワークに与える影響を評価するために,定性的かつ定量的な分析を行う。
  論文  参考訳（メタデータ） (2024-04-10T03:20:33Z)
• The KFIoU Loss for Rotated Object Detection [115.334070064346]
  本稿では,SkewIoU損失とトレンドレベルアライメントを両立できる近似的損失を考案する上で,有効な方法の1つとして論じる。 具体的には、対象をガウス分布としてモデル化し、SkewIoUのメカニズムを本質的に模倣するためにカルマンフィルタを採用する。 KFIoUと呼ばれる新たな損失は実装が容易で、正確なSkewIoUよりもうまく動作する。
  論文  参考訳（メタデータ） (2022-01-29T10:54:57Z)
• Mean-field Analysis of Piecewise Linear Solutions for Wide ReLU Networks [83.58049517083138]
  勾配勾配勾配を用いた2層ReLUネットワークについて検討する。 SGDは単純な解に偏りがあることが示される。 また,データポイントと異なる場所で結び目が発生するという経験的証拠も提供する。
  論文  参考訳（メタデータ） (2021-11-03T15:14:20Z)
• An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
  本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。 半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。 本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-06T18:55:07Z)
• Multi-scale Attention U-Net (MsAUNet): A Modified U-Net Architecture for Scene Segmentation [1.713291434132985]
  画像からコンテキスト情報を用いたシーンセグメンテーションのためのマルチスケールアテンションネットワークを提案する。 このネットワークは、局所的な特徴をグローバルな特徴にマップし、精度を向上し、識別画像領域を強調する。 我々はPascalVOC2012とADE20kという2つの標準データセットでモデルを評価した。
  論文  参考訳（メタデータ） (2020-09-15T08:03:41Z)

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。