論文の概要: One-Time Training for All Grains: Open-Set Grain Recognition and Quantitative Analysis

• arxiv url: http://arxiv.org/abs/2608.09345v1
• Date: Mon, 10 Aug 2026 09:21:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:37.182291
• Title: One-Time Training for All Grains: Open-Set Grain Recognition and Quantitative Analysis
• Title（参考訳）: 全粒のワンタイムトレーニング:オープンセット粒認識と定量分析
• Abstract要約: GROWは、再トレーニングなしでオープンセットでグラインド認識と定量分析を行うためのフレームワークである。 GROWはまずクラス非依存の粒度ローカライゼーションを行い、混合グライン画像を個別のインスタンスに変換し、多変量カウントと表現型測定を行う。
• 参考スコア（独自算出の注目度）: 2.9084128910983438
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Advances in crop breeding have introduced an increasing number of grain varieties, creating a growing demand for efficient variety recognition and quantitative analysis. However, existing methods are typically trained on a fixed variety set, and incorporating newly introduced varieties requires additional data collection and model retraining. To address this limitation, we propose GROW, a framework for Grain Recognition and quantitative analysis in Open sets Without retraining. GROW first performs class-agnostic grain localization, converting mixed-grain images into individual instances for variety-wise counting and phenotypic measurement. It then combines visual embeddings and morphological descriptors into fused grain descriptors stored in an extensible GrainBank. Query grains are recognized through rank-similarity weighted top-k retrieval, and newly introduced varieties are incorporated by appending their descriptors without updating the deployed models. Extensive experiments under progressive variety expansion, varying grain densities, and background domain shifts demonstrate the scalability, robustness, and adaptability of GROW. Compared with joint retraining, GROW reduced the average category-registration time from 4153 s to only 39 s while maintaining competitive recognition performance. These results demonstrate that GROW provides an efficient and maintainable solution for extensible grain recognition, counting, and phenotypic analysis without repeated model retraining.
• Abstract（参考訳）: 作物育種の発展により穀物品種が増加し、効率的な品種認識と定量分析への需要が高まっている。 しかし、既存の手法は通常、固定変数セットで訓練され、新しく導入された品種を取り入れるには、追加のデータ収集とモデル再訓練が必要である。 この制限に対処するため,オープンセットにおけるグレイン認識と定量的解析のためのフレームワークGROWを提案する。 GROWはまずクラス非依存の粒度ローカライゼーションを行い、混合グライン画像を個別のインスタンスに変換し、多変量カウントと表現型測定を行う。 そして、視覚的な埋め込みと形態的記述子を、拡張可能なGrainBankに保存された融合した穀物記述子に結合する。 クエリグレーンは、ランク類似の重み付きトップk検索によって認識され、新しく導入された品種は、デプロイされたモデルを更新することなく、ディスクリプタを付加することによって組み込まれる。 グレイン密度の変化、背景領域のシフトなどにより、GROWのスケーラビリティ、堅牢性、適応性を示す。 関節リトレーニングと比較して,GROWは平均カテゴリー登録時間を4153秒から39秒に短縮し,競争認識性能を維持した。 これらの結果から,GROWはモデル再学習を繰り返すことなく,拡張可能な粒度認識,計数,表現型解析のための効率的で保守性の高いソリューションを提供することが示された。

関連論文リスト

• MDL-GBG: A Non-parametric and Interpretable Granular-Ball Generation Method for Clustering [49.85979294911059]
  既存のグラニュラーボール生成法は、主に手作り品質対策と分割または停止基準によって駆動される。 本稿では,クラスタリングのための非パラメトリックかつ解釈可能なグラニュラーボール生成法である,最小記述長に基づくグラニュラーボール生成(MDL-GBG)を提案する。
  論文  参考訳（メタデータ） (2026-05-09T07:42:41Z)
• GraspGen: A Diffusion-based Framework for 6-DOF Grasping with On-Generator Training [53.25060512131128]
  我々は,オブジェクト中心のグリップ生成過程を反復拡散過程としてモデル化する上で,近年の成功を生かしている。 提案するフレームワークであるGraspGenは、グリップ生成を向上するDiffusion Transformerアーキテクチャで構成され、効率的な識別器と組み合わせて、サンプリングしたグリップのスコアとフィルタを行う。 GraspGenをオブジェクトとグリップの両方に拡張するために、53万以上のグリップからなるシミュレーションデータセットを新たにリリースしました。
  論文  参考訳（メタデータ） (2025-07-17T13:09:28Z)
• A Novel Convolutional Neural Network-Based Framework for Complex Multiclass Brassica Seed Classification [0.0]
  本研究では,10種類のブラシカ種子の効率的な分類のための,新しい畳み込みニューラルネットワーク(CNN)に基づくフレームワークを提案する。 収集したBrassicaシードデータセットを用いた実験結果から,提案モデルが93%の精度で達成できたことが示された。
  論文  参考訳（メタデータ） (2025-05-26T20:18:45Z)
• Beyond Progress Measures: Theoretical Insights into the Mechanism of Grokking [50.465604300990904]
  グロキング(Grokking)とは、オーバーフィッティングの拡張後のテスト精度の急激な改善を指す。 本研究では、素数演算のタスクにおいて、Transformerの基盤となるグルーキング機構について検討する。
  論文  参考訳（メタデータ） (2025-04-04T04:42:38Z)
• Exploring Training and Inference Scaling Laws in Generative Retrieval [50.82554729023865]
  生成検索は、検索を自己回帰生成タスクとして再構成し、大きな言語モデルがクエリから直接ターゲット文書を生成する。 生成的検索におけるトレーニングと推論のスケーリング法則を体系的に検討し,モデルのサイズ,トレーニングデータスケール,推論時間計算が協調的に性能に与える影響について検討した。
  論文  参考訳（メタデータ） (2025-03-24T17:59:03Z)
• MaizeEar-SAM: Zero-Shot Maize Ear Phenotyping [0.9659487278134938]
  エーカー当たりの穀物収量は、エーカー当たりの植物数、植物当たりの耳数、耳当たりの核数、および平均核重量を乗じることで計算される。 これら2つの特性を測定する従来の手作業の手法は時間を要するため、大規模なデータ収集が制限される。 提案手法は多種多様なトウモロコシの耳にまたがる1列あたりのカーネル数を同定する。
  論文  参考訳（メタデータ） (2025-02-19T03:18:29Z)
• Retrieval Augmented Recipe Generation [96.43285670458803]
  本稿では,レシピ生成のための拡張型大規模マルチモーダルモデルを提案する。 既存のデータストアからサプリメントとして、イメージにセマンティックに関連付けられたレシピを検索する。 生成したレシピ候補間の一貫性を計算し、異なる検索レシピを生成のコンテキストとして使用する。
  論文  参考訳（メタデータ） (2024-11-13T15:58:50Z)
• WheatNet: A Lightweight Convolutional Neural Network for High-throughput Image-based Wheat Head Detection and Counting [12.735055892742647]
  本研究では,小麦頭数を正確にかつ効率的に計算し,意思決定のためのリアルタイムデータ収集を支援する新しいディープラーニングフレームワークを提案する。 モデルコムギ網とよばれ,小麦畑の幅広い環境条件において,我々のアプローチが頑健かつ正確であることを実証する。 提案手法は, 小麦頭部計数タスクにおけるMAEとRMSEの3.85と5.19をそれぞれ達成し, 他の最先端手法に比べてパラメータが有意に少ない。
  論文  参考訳（メタデータ） (2021-03-17T02:38:58Z)
• Deep Multi-view Image Fusion for Soybean Yield Estimation in Breeding Applications Deep Multi-view Image Fusion for Soybean Yield Estimation in Breeding Applications [7.450586438835518]
  本研究の目的は,ダイズポッドカウントに適応する機械学習(ML)アプローチを開発することである。 ディープラーニングアーキテクチャを用いた多視点画像に基づく収量推定フレームワークを開発した。 以上の結果から,MLモデルが時間と労力を大幅に削減して繁殖決定を下すことが示唆された。
  論文  参考訳（メタデータ） (2020-11-13T20:37:04Z)
• Fine-Grained Visual Classification via Progressive Multi-Granularity Training of Jigsaw Patches [67.51747235117]
  きめ細かい視覚分類(FGVC)は従来の分類よりもはるかに難しい。 最近の研究は主に、最も差別的な部分の発見に焦点をあてることによってこの問題に対処している。 本稿では,これらの問題に対処するための視覚的細粒度分類のための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2020-03-08T19:27:30Z)

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。