論文の概要: Text-conditioned Segmentation for Tomato Phenotyping via Procedural Synthetic Data

• arxiv url: http://arxiv.org/abs/2607.18576v1
• Date: Mon, 20 Jul 2026 23:18:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-22 19:05:05.272308
• Title: Text-conditioned Segmentation for Tomato Phenotyping via Procedural Synthetic Data
• Title（参考訳）: プロシージャ合成データを用いたトマトのヘノタイピングのためのテキスト条件付きセグメンテーション
• Abstract要約: ビジョンベースの自動化は、温室作物生産における手作業の削減に優れた候補である。 視覚に基づく基礎モデルの最近の進歩は、新しい領域へのゼロショット一般化の有望な結果を示している。 本稿では, 合成データ生成と基礎モデルの微調整を組み合わせたトマト植物セグメンテーションの枠組みを提案する。
• 参考スコア（独自算出の注目度）: 15.061363878701831
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vision-based automation is an excellent candidate for reducing manual labor in greenhouse crop production and phenotyping. However, progress is constrained by the lack of annotated training data. Recent advances in vision-based foundational models have shown promising results in zero-shot generalization to novel domains, but their performance drops in complex agricultural environments. In this work, we present a sim-to-real framework for tomato plant segmentation that combines synthetic data generation with fine-tuning of a foundation model. We model a commercial cherry tomato greenhouse and use it to generate a large-scale synthetic dataset under diverse viewpoints, lighting conditions, and plant morphology. Subsequently, we fine-tune the Segment Anything Model 3 (SAM 3) on the synthetic dataset, specializing its text-conditioned segmentation behavior for greenhouse crop organs while retaining the general visual prior that makes zero-shot transfer possible. By evaluating our framework on multiple real-world greenhouse datasets, we demonstrate that combining synthetic data with SAM 3 fine-tuning significantly improves segmentation performance and model confidence. To support community benchmarking, we publicly release the procedural model, the generated synthetic dataset, and our fine-tuned SAM 3 weights.
• Abstract（参考訳）: 視覚に基づく自動化は、温室作物生産と表現型化における手作業の削減に優れた候補である。 しかし、進捗は注釈付きトレーニングデータの欠如によって制約される。 近年のビジョンベース基盤モデルの進歩は、新しい領域へのゼロショット一般化の有望な成果を示しているが、複雑な農業環境においてその性能は低下している。 本研究では, 合成データ生成と基礎モデルの微調整を併用したトマト植物セグメンテーションのためのシミュレート・トゥ・リアルフレームワークを提案する。 市販のトマト温室をモデル化し,様々な視点,照明条件,植物形態の大規模合成データセットを作成する。 その後、合成データセット上でセグメンテーションモデル3(SAM3)を微調整し、ゼロショット転送を可能にする一般的な視覚的先行性を維持しながら、温室作物器官のテキスト条件のセグメンテーション動作を特化させる。 複数の実世界の温室データセットのフレームワークを評価することで、SAM 3の微調整と合成データを組み合わせることで、セグメンテーション性能とモデルの信頼性が大幅に向上することを示した。 コミュニティのベンチマークをサポートするため、我々は手続きモデル、生成された合成データセット、そして微調整されたSAM 3重みを公表した。

関連論文リスト

• Using Vision Language Foundation Models to Generate Plant Simulation Configurations via In-Context Learning [6.254251081017878]
  本稿では,デジタル双生児の植物シミュレーションにおける視覚言語モデル(VLM)の性能を評価するためのベンチマークを提案する。 本稿では,最先端のオープンソースVLMを利用して,ドローンによるリモートセンシング画像からシミュレーションパラメータを直接生成する手法を提案する。
  論文  参考訳（メタデータ） (2026-03-09T20:58:43Z)
• Synthetic Crop-Weed Image Generation and its Impact on Model Generalization [0.8849672280563691]
  Blender を用いた人工雑草画像の手続き的生成のためのパイプラインを提案する。 我々は、合成および実データに基づいて、最先端のセグメンテーションモデルをいくつかベンチマークする。 以上の結果から, 合成画像のトレーニングにより, 従来の最先端手法よりも10%の差が生じることがわかった。
  論文  参考訳（メタデータ） (2025-11-04T09:47:09Z)
• Scaling Transformer-Based Novel View Synthesis Models with Token Disentanglement and Synthetic Data [53.040873127309766]
  本稿では,トランスアーキテクチャ内でのトークンのアンタングル化プロセスを提案し,特徴分離を向上し,より効果的な学習を実現する。 提案手法は,データセット内およびデータセット間の評価において,既存のモデルよりも優れる。
  論文  参考訳（メタデータ） (2025-09-08T17:58:06Z)
• Understanding the Influence of Synthetic Data for Text Embedders [52.04771455432998]
  まず,Wangらによって提案された合成データの再生と公開を行った。 合成データがモデル一般化をどのように改善するかを批判的に検討する。 本研究は, 汎用インバータ構築における, 現在の合成データ手法の限界を浮き彫りにしたものである。
  論文  参考訳（メタデータ） (2025-09-07T19:28:52Z)
• Scaling Laws of Synthetic Data for Language Models [125.41600201811417]
  プレトレーニングコーパスを多種多様な高品質な合成データセットに変換するスケーラブルなフレームワークであるSynthLLMを紹介した。 提案手法は,グラフアルゴリズムを用いて複数の文書にまたがるハイレベルな概念を自動的に抽出し,再結合することで実現している。
  論文  参考訳（メタデータ） (2025-03-25T11:07:12Z)
• SynFER: Towards Boosting Facial Expression Recognition with Synthetic Data [78.70620682374624]
  ハイレベルなテキスト記述に基づく表情画像データの合成のための新しいフレームワークであるSynFERを紹介する。 合成データの質と信頼性を確保するため,セマンティックガイダンス手法と擬似ラベル生成手法を提案する。 その結果, 提案手法の有効性と合成データの有効性が検証された。
  論文  参考訳（メタデータ） (2024-10-13T14:58:21Z)
• Generating Diverse Agricultural Data for Vision-Based Farming Applications [74.79409721178489]
  このモデルは, 植物の成長段階, 土壌条件の多様性, 照明条件の異なるランダム化フィールド配置をシミュレートすることができる。 我々のデータセットにはセマンティックラベル付き12,000の画像が含まれており、精密農業におけるコンピュータビジョンタスクの包括的なリソースを提供する。
  論文  参考訳（メタデータ） (2024-03-27T08:42:47Z)
• TRoVE: Transforming Road Scene Datasets into Photorealistic Virtual Environments [84.6017003787244]
  本研究では、シミュレーションデータセットに存在する困難とドメインギャップに対処する合成データ生成パイプラインを提案する。 既存のデータセットからアノテーションや視覚的手がかりを利用すれば、自動マルチモーダルデータ生成が容易になることを示す。
  論文  参考訳（メタデータ） (2022-08-16T20:46:08Z)
• Synthetic Data and Hierarchical Object Detection in Overhead Imagery [0.0]
  衛星画像における低・ゼロサンプル学習を向上させるための新しい合成データ生成および拡張技術を開発した。 合成画像の有効性を検証するために,検出モデルと2段階モデルの訓練を行い,実際の衛星画像上で得られたモデルを評価する。
  論文  参考訳（メタデータ） (2021-01-29T22:52:47Z)
• Multi-Spectral Image Synthesis for Crop/Weed Segmentation in Precision Farming [3.4788711710826083]
  本稿では, 精密農業における作物・雑草の分枝化問題に適用し, 共通データ増分法に関する代替手法を提案する。 我々は、最も関連性の高いオブジェクトクラス(作物や雑草)を合成されたクラスに置き換えることで、半人工的なサンプルを作成する。 RGBデータに加えて、近赤外(NIR)情報も考慮し、4つのチャネルマルチスペクトル合成画像を生成する。
  論文  参考訳（メタデータ） (2020-09-12T08:49:36Z)

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。