論文の概要: What's Under the Skin? Estimating Swine Body Condition

• arxiv url: http://arxiv.org/abs/2606.05611v1
• Date: Thu, 04 Jun 2026 02:32:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-05 22:39:44.500103
• Title: What's Under the Skin? Estimating Swine Body Condition
• Title（参考訳）: 皮膚には何があるのか? 豚の体調を推定する
• Authors: Mk Bashar, Kuljit Bhatti, Gary Rohrer, Madonna Benjamin, Tami Brown-Brandl, Daniel Morris,
• Abstract要約: PigFormerは、天井に取り付けられたRGB-Dカメラから生の深度フレームを取り出すエンドツーエンドの2段階システムだ。 皮下後脂肪厚,筋深度,胸部総組織厚を推定する。 2つの施設から319個のソーダと金銀のサンプルの多地点データセットにおいて、PigFormerは2.43mmバックファットMAEと3.87mm全体MAEを達成した。
• 参考スコア（独自算出の注目度）: 0.5863360388454258
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sow body condition is an important indicator for growers as it has a large impact on lactation performance and piglet survival. However, body condition measures used during production, such as visual scoring and calipers, correlate poorly with underlying tissue composition. Ultrasound scans can provide direct measurements of subcutaneous backfat thickness and loin muscle depth, but their operation is labor intensive and not scalable for production. We present PigFormer, an end-to-end two-stage system that takes raw depth frames from a ceiling-mounted RGB-D camera and predicts subcutaneous backfat thickness, loin muscle depth, and total tissue thickness at the last rib. Stage 1 is a geometric front-end that converts raw depth into a standardized height map via SAM3-to-MaskDINO segmentation distillation, ground-plane removal, and orientation normalization. Stage 2 is a Slice Attention Encoder that treats each height map as a sequence of cross-sectional slices and captures spatial relationships along the full dorsal surface. On a multi-site dataset of 319 sow and gilt instances from two facilities, PigFormer achieves 2.43 mm backfat MAE and 3.87 mm overall MAE. It outperforms strong single-stage ResNet-18 and ViT-small baselines. PigFormer offers a practical path toward continuous, automated, non-contact body condition monitoring in commercial swine production. Code is available at https://github.com/iambashar/Pigformer.
• Abstract（参考訳）: 牛の体調は、乳化性能と豚の生存率に大きな影響を与えるため、農家にとって重要な指標である。 しかし、視力測定やカリパーなどの生産時に用いられる体調測定は、下層の組織組成と相関が低い。 超音波スキャンは、皮下脂肪厚と筋深度を直接測定するが、その操作は労働集約的であり、生産には拡張性がない。 天井搭載RGB-Dカメラから生の深度フレームを抽出し, 皮下後方脂肪厚, 筋深度, 総組織厚を予測するエンド・ツー・エンドの2段階システムであるPigFormerを提案する。 ステージ1は幾何学的なフロントエンドであり、SAM3-to-MaskDINOのセグメンテーション蒸留、地平面除去、配向正規化を通じて原深さを標準化された高さマップに変換する。 ステージ2はスライス・アテンション・エンコーダ(Slice Attention Encoder)で、各高さマップを断面スライス列として扱い、全背面に沿った空間的関係をキャプチャする。 2つの施設から319個のソーダと金銀のサンプルのマルチサイトデータセットにおいて、PigFormerは2.43mmバックファットMAEと3.87mm全体MAEを達成した。 シングルステージのResNet-18やViT-smallベースラインよりも優れています。 PigFormerは、商用豚生産における、継続的で自動化された非接触体調モニタリングへの実践的なパスを提供する。 コードはhttps://github.com/iambashar/Pigformer.comから入手できる。

関連論文リスト

• Learning to Synergize Semantic and Geometric Priors for Limited-Data Wheat Disease Segmentation [51.06355116973389]
  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。
  論文  参考訳（メタデータ） (2026-04-07T04:19:39Z)
• Surf2CT: Cascaded 3D Flow Matching Models for Torso 3D CT Synthesis from Skin Surface [13.161605581865357]
  Surf2CTは、外部表面スキャンと人口統計データから人間の胴体の全3DCTボリュームを合成するフレームワークである。 我々は、マサチューセッツ総合病院(MGH)から得られた3,198個の胴体CTスキャンとAutoPETチャレンジを組み合わせたデータセットでモデルをトレーニングした。
  論文  参考訳（メタデータ） (2025-05-28T16:01:36Z)
• How to Segment in 3D Using 2D Models: Automated 3D Segmentation of Prostate Cancer Metastatic Lesions on PET Volumes Using Multi-angle Maximum Intensity Projections and Diffusion Models [0.2975630647042519]
  本研究は,PSMA PET/CT 3Dボリューム画像における転移病変の自動分割のための新しいアプローチを提案する。 提案手法は,PSMA PET画像の多重角最大強度投影(MA-MIP)に病変を分割する。 提案法は, 微小転移性PCa病変の検出・分節における精度, 堅牢性の観点から, 最先端の3次元分節法に比べ, 優れた性能を示した。
  論文  参考訳（メタデータ） (2024-07-26T07:08:05Z)
• Multi-task learning with cross-task consistency for improved depth estimation in colonoscopy [0.2995885872626565]
  我々は、共有エンコーダと2つのデコーダ、すなわち表面正規デコーダと深度推定器を備えた新しいマルチタスク学習(MTL)アプローチを開発する。 比較誤差は14.17%、$delta_1$精度は10.4%改善した。
  論文  参考訳（メタデータ） (2023-11-30T16:13:17Z)
• Body Fat Estimation from Surface Meshes using Graph Neural Networks [48.85291874087541]
  三角体表面メッシュを用いて,グラフニューラルネットワークを用いて,VATおよびASATボリュームを正確に予測できることを示す。 本手法は,この領域の最先端畳み込みニューラルネットワークと比較して,トレーニング時間と必要なリソースを削減しつつ高い性能を実現する。
  論文  参考訳（メタデータ） (2023-07-13T10:21:34Z)
• Tattoo tomography: Freehand 3D photoacoustic image reconstruction with an optical pattern [49.240017254888336]
  光音響トモグラフィ(PAT)は、形態学的および機能的組織特性の両方を解決することができる新しいイメージング技術である。 現在の欠点は、従来の2Dプローブによって提供される視野の制限である。 本研究では,外部追跡システムを必要としないPATデータの3次元再構成手法を提案する。
  論文  参考訳（メタデータ） (2020-11-10T09:27:56Z)
• HEMlets PoSh: Learning Part-Centric Heatmap Triplets for 3D Human Pose and Shape Estimation [60.35776484235304]
  本研究は, 中間状態部分熱マップトリプレット(HEMlets)を導入し, 検出された2次元関節を三次元空間に持ち上げる不確実性に対処しようとするものである。 HEMletsは3つのジョイントヒートマップを使用して、各骨格体部に対するエンドジョイントの相対的な深さ情報を表す。 Convolutional Network (ConvNet) は、入力画像からHEMletを予測し、次にボリュームのジョイント・ヒートマップレグレッションを学習する。
  論文  参考訳（メタデータ） (2020-03-10T04:03:45Z)

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。