論文の概要: Can Synthetic Data Overcome the Generalization Limits of AI-Based Flower and Pod Detection Across Cowpea Breeding Genotypes and Environments?

• arxiv url: http://arxiv.org/abs/2607.28796v1
• Date: Thu, 30 Jul 2026 19:43:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-03 14:29:40.457453
• Title: Can Synthetic Data Overcome the Generalization Limits of AI-Based Flower and Pod Detection Across Cowpea Breeding Genotypes and Environments?
• Title（参考訳）: 遺伝子型と環境を考慮したカブトムシにおけるAIベースフラワーの一般化限界とポッド検出は合成データが克服可能か?
• Abstract要約: 表現型付けには、遺伝子型、位置、成長する季節をまたいで一般化するAI対応のコンピュータビジョンモデルが必要である。 繁殖プログラムが遭遇するすべてのジェノタイプ・バイ・環境(G x E)の組み合わせに対して、実際の画像に注釈を付けることは高価である。 我々は、G x EシフトがAIによるカリフォルニアの2カ所にわたるカボチャの花とポッドの検出にどのように影響するかを定量化する。
• 参考スコア（独自算出の注目度）: 6.6816095309029295
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: High-throughput phenotyping requires AI-enabled computer vision models that generalize across genotypes, locations, and growing seasons, yet such models often lose accuracy under new conditions. Annotating real imagery for every genotype-by-environment (G x E) combination a breeding program encounters is prohibitively expensive. We quantify how G x E shifts affect AI-based detection of cowpea flowers and pods across two California locations and two growing seasons. Flower detection mAP@50 fell from 76.3% to as low as 50.6% under unseen shifts, and pod detection was more sensitive. Feature-space and image-quality diagnostics confirmed these losses track measurable distributional shifts. Because closing this gap with real data alone is not practical, we test whether synthetic imagery, rendered from a procedural 3D cowpea model, can substitute for that annotation burden. Synthetic supervision alone improved over pretraining but remained limited by a domain gap driven by camera image formation, not scene content. A domain-gap-aware camera-realism augmentation strategy, optimized against measured real-image statistics via Wasserstein distance, narrowed this gap, and a linear HDR representation converted a smaller measured gap into a larger detection gain than an 8-bit representation. Optimized HDR synthetic data combined with as few as five real images matched or exceeded the real-data baseline for spatial generalization, and pod detection benefited most at the lowest shot counts, with more modest gains under temporal shift. These results show that synthetic data can overcome the generalization limits of AI-based flower and pod detection, but only when the domain gap is measured and optimized rather than assumed away.
• Abstract（参考訳）: 高スループットの表現型付けには、ジェノタイプ、位置、成長する季節をまたいで一般化するAI対応のコンピュータビジョンモデルが必要であるが、新しい条件下ではしばしば精度が低下する。 繁殖プログラムが遭遇するすべての遺伝子型別環境(G x E)の組み合わせに対して、実際の画像に注釈を付けることは、違法に高価である。 我々は、G x EシフトがAIによるカリフォルニアの2か所と成長期の2か所にわたるカボチャの花とポッドの検出にどのように影響するかを定量化する。 花検出のmAP@50は76.3%から50.6%まで低下し、ポッド検出はより感度が高かった。 特徴空間と画像品質の診断は、これらの損失が測定可能な分布シフトを追跡することを確認した。 実際のデータだけでこのギャップを埋めることは現実的ではないため、プロシージャ3Dカブペアモデルから得られた合成画像が、そのアノテーションの負担に代えられるかどうかを検証する。 合成監督だけでは事前訓練よりも改善したが、シーンの内容ではなく、カメラ画像形成によって駆動される領域ギャップによって制限されていた。 ドメインギャップを意識したカメラリアリズム拡張戦略は、ワッサーシュタイン距離による実画像統計量に対して最適化され、このギャップを狭め、線形HDR表現は、測定されたギャップを8ビット表現よりも大きい検出ゲインに変換する。 最適化されたHDR合成データと最大5つの実画像の組み合わせは、空間的一般化のための実データベースラインと一致または超過し、ポッド検出は、時間的シフト下ではより穏やかな利得で、最も低いショット数で最も恩恵を受けた。 これらの結果から,AIを用いた花弁検出とポッド検出の一般化限界を克服できる可能性が示唆された。

関連論文リスト

• CoDA: Color Distribution Probing for Efficient and Generalizable AI-Generated Image Detection [32.71127904125444]
  FakeFormは、62のドメインにわたる約370,000の画像で、クロスモデルとクロスドメイン評価の両方を対象とする大規模なベンチマークである。 ノイズ量子化プローブ上に構築された1.48Mパラメータのコンパクト検出器であるCoDAと、プローブ応答と色の不均一性をリンクする理論的解析を提案する。 実験により、CoDAは標準ベンチマークで最先端のパフォーマンスを達成し、FakeFormのクロスドメイン評価に挑戦する最良の結果が得られた。
  論文  参考訳（メタデータ） (2026-05-23T00:35:55Z)
• GenShield: Unified Detection and Artifact Correction for AI-Generated Images [65.11434977803509]
  GenShieldは、診断から修復までのクローズドループでAIGI検出とアーティファクト修正を実行するフレームワークである。 大規模なアーティファクト-restored'ペアを備えた高品質データセットは、統一された評価パイプラインと共に構築される。
  論文  参考訳（メタデータ） (2026-05-15T16:06:20Z)
• Synthetic Image Detection via Spectral Gaps of QC-RBIM Nishimori Bethe-Hessian Operators [0.0]
  本稿では,スパース重み付きグラフ上でのコミュニティ検出問題として,合成画像識別を扱うモデル非依存検出器を提案する。 Flickr-Faces-HQ と CelebA の実際の写真と、GAN と拡散モデルにより生成された合成写真を用いて、猫対犬対男性対女性対バイナリタスクのアプローチを検証する。 我々の貢献は、深部画像の特徴を埋め込んだ新しいLDPCグラフ構築、西森温度RBIMとベーテ・ヘッセンスペクトル間の解析的リンク、新しい生成アーキテクチャに頑健な実用的で教師なしの合成画像検出器である。
  論文  参考訳（メタデータ） (2025-08-27T09:06:53Z)
• CO-SPY: Combining Semantic and Pixel Features to Detect Synthetic Images by AI [58.35348718345307]
  実際の画像とAI生成画像を区別する現在の取り組みには、一般化が欠如している可能性がある。 既存のセマンティック機能を強化した新しいフレームワークCo-Spyを提案する。 また、5つの実画像データセットと22の最先端生成モデルからなる包括的データセットであるCo-Spy-Benchを作成します。
  論文  参考訳（メタデータ） (2025-03-24T01:59:29Z)
• GenDeg: Diffusion-based Degradation Synthesis for Generalizable All-In-One Image Restoration [26.434359848151978]
  我々は,クリーンな画像上で多様な劣化パターンを生成できる条件拡散モデルGenDegを紹介する。 我々は,550万点以上の試料を,ヘイズ,雨,雪,動きのぼやけ,低照度,雨滴の6種類に分けて合成した。 実験の結果,GenDSデータセットでトレーニングした画像復元モデルは,アウト・オブ・ディストリビューション性能の大幅な向上を示した。
  論文  参考訳（メタデータ） (2024-11-26T18:55:49Z)
• Zero-Shot Detection of AI-Generated Images [54.01282123570917]
  AI生成画像を検出するゼロショットエントロピー検出器(ZED)を提案する。 機械によるテキスト検出の最近の研究に触発された私たちのアイデアは、分析対象の画像が実際の画像のモデルと比較してどれだけ驚くかを測定することである。 ZEDは精度の点でSoTAよりも平均3%以上改善されている。
  論文  参考訳（メタデータ） (2024-09-24T08:46:13Z)
• Handling Geometric Domain Shifts in Semantic Segmentation of Surgical RGB and Hyperspectral Images [67.66644395272075]
  本稿では,幾何学的アウト・オブ・ディストリビューションデータに直面する場合の,最先端のセマンティックセマンティックセマンティクスモデルの最初の解析を行う。 本稿では, 汎用性を高めるために, 有機移植(Organ Transplantation)と呼ばれる拡張技術を提案する。 我々の拡張技術は、RGBデータに対して最大67%、HSIデータに対して90%のSOAモデル性能を改善し、実際のOODテストデータに対して、分配内パフォーマンスのレベルでのパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-08-27T19:13:15Z)
• Raising the Bar of AI-generated Image Detection with CLIP [50.345365081177555]
  本研究の目的は、AI生成画像の普遍的検出のための事前学習された視覚言語モデル(VLM)の可能性を探ることである。 我々は,CLIP機能に基づく軽量な検出戦略を開発し,その性能を様々な難易度シナリオで検証する。
  論文  参考訳（メタデータ） (2023-11-30T21:11:20Z)
• Randomize to Generalize: Domain Randomization for Runway FOD Detection [1.4249472316161877]
  細い物体検出は、小型化、低解像度化、オクルージョン化、背景クラッタ、照明条件、被写体対画像比の小さいため困難である。 本稿では,SRIA(Synthetic Image Augmentation)の新たな2段階手法を提案する。 検出精度は初期41%からOODテストセットの92%に改善した。
  論文  参考訳（メタデータ） (2023-09-23T05:02:31Z)
• Image-to-Image Translation of Synthetic Samples for Rare Classes [3.04585143845864]
  いくつか例から学ぶことは、ディープラーニングベースの分類アルゴリズムの課題として知られている。 これらの希少クラスのトレーニングデータを増やすための潜在的アプローチは、限られた実データを合成サンプルで増強することである。 これは役に立つことが示されているが、実際のデータでテストした場合、実データと合成データのドメインシフトはアプローチの有効性を妨げている。
  論文  参考訳（メタデータ） (2021-06-23T07:57:53Z)
• Image Fine-grained Inpainting [89.17316318927621]
  拡張畳み込みの密結合を利用してより大きく効果的な受容場を得る一段階モデルを提案する。 この効率的なジェネレータをよく訓練するために、頻繁に使用されるVGG特徴整合損失を除いて、新しい自己誘導回帰損失を設計する。 また、局所的・グローバルな分枝を持つ識別器を用いて、局所的・グローバルな内容の整合性を確保する。
  論文  参考訳（メタデータ） (2020-02-07T03:45:25Z)

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。