論文の概要: Granularity-Aware Transfer for Tree Instance Segmentation in Synthetic and Real Forests

• arxiv url: http://arxiv.org/abs/2604.13722v1
• Date: Wed, 15 Apr 2026 10:53:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-16 20:38:32.496471
• Title: Granularity-Aware Transfer for Tree Instance Segmentation in Synthetic and Real Forests
• Title（参考訳）: 合成林と実林の樹種分離のための粒度認識移動
• Authors: Pankaj Deoli, Atef Tej, Anmol Ashri, Anandatirtha JS, Karsten Berns,
• Abstract要約: 本稿では,53kの合成画像と3.6kの実画像を備えた混合粒度データセットMGTDを紹介する。 我々の中心となる貢献は、微粒な合成教師から粗いラベルの学生に構造上の先行を移す、粒度に配慮した蒸留である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We address the challenge of synthetic-to-real transfer in forestry perception where real data have only coarse Tree labels while synthetic data provide fine-grained trunk/crown annotations. We introduce MGTD, a mixed-granularity dataset with 53k synthetic and 3.6k real images, and a four-stage protocol isolating domain shift and granularity mismatch. Our core contribution is granularity-aware distillation, which transfers structural priors from fine-grained synthetic teachers to a coarse-label student via logit-space merging and mask unification. Experiments show consistent mask AP gains, especially for small/distant trees, establishing a testbed for Sim-Real transfer under label granularity constraints.
• Abstract（参考訳）: 林分知覚における合成から実への変換の課題は,木ラベルが粗いのに対して,合成データは細粒度のトランク/明細なアノテーションを提供する場合である。 本稿では,53kの合成画像と3.6kの実画像を含む混合粒度データセットMGTDと,ドメインシフトと粒度ミスマッチを分離する4段階プロトコルを紹介する。 本研究の中心となる貢献は, 粒度に配慮した蒸留であり, 微粒な合成教師から粗いラベルの学生へ, 対数空間のマージとマスクの統一を通じて, 構造的先行を伝達する。 実験では、特に小さい木や異なる木では、一貫したマスクAPゲインが示され、ラベルの粒度制約の下でSim-Real転送のテストベッドが確立された。

関連論文リスト

• Make It Up: Fake Images, Real Gains in Generalized Few-shot Semantic Segmentation [49.73871999518061]
  一般小ショットセマンティックセマンティックセグメンテーション(GFSS)は、アノテーションの不足による新規クラスの出現のカバレッジによって、基本的に制限されている。 提案するSyn4Segは,新しいクラスの範囲を広げつつ,擬似ラベル品質を改善したGFSSフレームワークである。
  論文  参考訳（メタデータ） (2026-03-28T09:22:50Z)
• SRA-Seg: Synthetic to Real Alignment for Semi-Supervised Medical Image Segmentation [4.726777092009554]
  SRA-Segは、医用画像セグメンテーションのための合成および実際の特徴分布を調整するために設計されたフレームワークである。 柔らかいエッジブレンディングを用いて、スムーズな解剖学的遷移と連続的なラベルを作成します。 SRA-Seg は ACDC の89.34%、FIVES の84.42% を達成し、既存の半教師付き手法を著しく上回っている。
  論文  参考訳（メタデータ） (2026-02-03T00:38:51Z)
• Towards Natural Image Matting in the Wild via Real-Scenario Prior [69.96414467916863]
  我々は,COCOデータセット,すなわちCOCO-Mattingに基づく新しいマッチングデータセットを提案する。 構築されたCOCO-Mattingは、複雑な自然シナリオにおける38,251人のインスタンスレベルのアルファマットの広範なコレクションを含む。 ネットワークアーキテクチャにおいて、提案する特徴整合変換器は、きめ細かいエッジと透過性を抽出することを学ぶ。 提案したマットアライメントデコーダは、マット固有のオブジェクトを分割し、粗いマスクを高精度なマットに変換することを目的としている。
  論文  参考訳（メタデータ） (2024-10-09T06:43:19Z)
• SAU: A Dual-Branch Network to Enhance Long-Tailed Recognition via Generative Models [9.340077455871736]
  画像認識における長い尾の分布は、いくつかの支配階級間の深刻な不均衡のため、大きな課題となる。 近年,画像分類のための合成データ作成に大規模な生成モデルが用いられている。 本稿では,データ不均衡の影響を解消するために,長い尾のデータセットを補完する合成データを提案する。
  論文  参考訳（メタデータ） (2024-08-29T05:33:59Z)
• Bridging Synthetic and Real Worlds for Pre-training Scene Text Detectors [54.80516786370663]
  FreeRealは、SDと実際のデータの相補的な強みを可能にする、実際のドメイン整合型事前トレーニングパラダイムである。 GlyphMixは、合成画像を落書きのようなユニットとして実際の画像に埋め込む。 FreeRealは、4つの公開データセットで、既存の事前トレーニングメソッドよりも大幅にパフォーマンスが向上している。
  論文  参考訳（メタデータ） (2023-12-08T15:10:55Z)
• FreeMask: Synthetic Images with Dense Annotations Make Stronger Segmentation Models [62.009002395326384]
  FreeMaskは、生成モデルからの合成画像を利用して、データ収集とアノテーション手順の負担を軽減する。 まず、現実的なデータセットによって提供されるセマンティックマスクに条件付けされた豊富な訓練画像を合成する。 本研究では,実画像との協調訓練や,実画像の事前学習による合成画像の役割について検討する。
  論文  参考訳（メタデータ） (2023-10-23T17:57:27Z)
• Transfer Learning from Synthetic In-vitro Soybean Pods Dataset for In-situ Segmentation of On-branch Soybean Pod [8.1210112132886]
  成熟したダイズ植物は複雑な構造で、ポッドは互いに頻繁に触れ合っている。 ディープラーニングベースの手法は、正確なトレーニングと強力な一般化能力を達成することができる。 人工ダイズポッドからの転写学習を提案する。
  論文  参考訳（メタデータ） (2022-04-22T19:36:28Z)

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。