論文の概要: Scale Matters: Adaptive Granularity Selection for Cross-Species 3D Plant Organ Segmentation

• arxiv url: http://arxiv.org/abs/2608.17803v2
• Date: Wed, 19 Aug 2026 09:08:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-20 15:48:19.528241
• Title: Scale Matters: Adaptive Granularity Selection for Cross-Species 3D Plant Organ Segmentation
• Title（参考訳）: 大規模課題: 異種3次元植物組織分割のための適応的粒度選択
• Abstract要約: AGS-PlantSeg, 数発の3D植物器官分割法を提案する。 AGS-PlantSegは種間一般化を著しく改善し,平均mIoU性能88.9%を達成した。 最小限のデータアノテートを必要とするが、当社のアプローチは、完全に管理された、植物固有のアーキテクチャと非常に競合する。
• 参考スコア（独自算出の注目度）: 2.182911602491685
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent 3D foundation models provide powerful feature representations for point cloud learning by controlling spatial granularity. However, relying on a fixed spatial granularity severely limits generalization in applications like plant phenotyping, where organ morphology and size vary substantially across species and growth stages. To address this, we propose AGS-PlantSeg, a few-shot 3D plant organ segmentation method that leverages the frozen Utonia (arXiv:2603.03283) foundation model combined with Adaptive Granularity Selection. By dynamically selecting the best granularity levels for each specific plant model, our method extracts optimized geometric features for a lightweight MLP segmentation head. Extensive experiments across PLANesT-3D (arXiv:2407.21150), Pheno4D , and Crops3D demonstrate that AGS-PlantSeg significantly improves cross-species generalization, achieving 88.9% average mIoU performance and outperforming fixed-granularity baselines by 2.5 mIoU points. Despite requiring minimal annotated data, our approach is highly competitive with fully supervised, plant-specific architectures.
• Abstract（参考訳）: 近年の3次元基礎モデルは,空間的粒度を制御して,ポイントクラウド学習のための強力な特徴表現を提供する。 しかし、固定された空間的粒度に依存すると、植物の表現型化のような応用において一般化が著しく制限され、そこでは臓器の形態や大きさは種や成長段階によって大きく異なる。 AGS-PlantSegは,凍結したウトニア(arXiv:2603.03283)基盤モデルと適応粒度選択を併用した,数発の3D植物器官分割法である。 本手法は, 各植物モデルに対して最適粒度レベルを動的に選択することにより, 軽量MPPセグメンテーションヘッドに最適化された幾何学的特徴を抽出する。 PLANesT-3D (arXiv:2407.21150), Pheno4D , Crops3D の広範な実験により、AGS-PlantSeg は種間一般化を著しく改善し、平均 mIoU 性能88.9% を達成し、固定粒度ベースラインを2.5 mIoU で上回った。 最小限のアノテートデータを必要とするが、当社のアプローチは、完全に管理された、植物固有のアーキテクチャと非常に競合する。

関連論文リスト

• NG-GS: NeRF-Guided 3D Gaussian Splatting Segmentation [65.34304674634713]
  3DGSにおける高品質なオブジェクトセグメンテーションのためのフレームワークであるNG-GSを導入する。 本手法は, 境界mIoUにおいて, フォトリアリスティックな技術性能を実現し, 有意な利得が得られることを示す。
  論文  参考訳（メタデータ） (2026-04-16T07:14:07Z)
• Scalable Adaptation of 3D Geometric Foundation Models via Weak Supervision from Internet Video [76.32954467706581]
  本稿では,生のビデオストリームからGEometric foundationモデルのスケーラブル適応を行うフレームワークであるSAGEを提案する。 階層的なマイニングパイプラインを使用して、ビデオをトレーニングトラジェクトリやハイブリッド監視に変換します。 実験の結果、SAGEはゼロショットの一般化を著しく向上し、チェムファー距離を20-42%削減した。
  論文  参考訳（メタデータ） (2026-02-08T09:53:21Z)
• OmniPlantSeg: Species Agnostic 3D Point Cloud Organ Segmentation for High-Resolution Plant Phenotyping Across Modalities [4.770378899761483]
  ハードウェアやニューラルネットワークの入力サイズ要件を満たすために、広範な前処理とプラントポイントクラウドのダウンサンプルを使用することが一般的である。 我々は,センサデータや植物種に依存しない生物点雲のサブサンプリングのための,単純かつ効果的なアルゴリズムKDSSを提案する。
  論文  参考訳（メタデータ） (2025-09-25T11:45:14Z)
• PlantSegNeRF: A few-shot, cross-species method for plant 3D instance point cloud reconstruction via joint-channel NeRF with multi-view image instance matching [9.176076520337755]
  我々は植物セグメンテーション神経放射場(PlantSegNeRF)と呼ばれる新しいアプローチを提案する。 PlantSegNeRFは、多視点RGB画像シーケンスから、幅広い植物種に対して直接、高精度なインスタンスポイント雲を生成する。 全ての植物種で、mPrec、mRec、mCov、mWCovで平均11.7%、38.2%、32.2%、25.3%の改善を達成した。
  論文  参考訳（メタデータ） (2025-07-01T01:59:59Z)
• On Geometry-Enhanced Parameter-Efficient Fine-Tuning for 3D Scene Segmentation [52.96632954620623]
  本稿では3Dポイント・クラウド・トランス用に設計された新しい幾何対応PEFTモジュールを提案する。 当社のアプローチでは,大規模3Dポイントクラウドモデルの効率的,スケーラブル,かつ幾何を考慮した微調整のための新しいベンチマークを設定している。
  論文  参考訳（メタデータ） (2025-05-28T15:08:36Z)
• Wheat3DGS: In-field 3D Reconstruction, Instance Segmentation and Phenotyping of Wheat Heads with Gaussian Splatting [1.4100451538155885]
  We present Wheat3DGS, a novel approach that leverageing 3DGS and the Segment Anything Model (SAM) for accurate 3D instance segmentation and morphological Measurement of hundreds of wheat head automatically。 高分解能レーザースキャンデータによるコムギの育種頭部抽出の精度を検証し, 長さ, 幅, 体積に対して15.1%, 18.3%, 40.2%の絶対値誤差が得られた。
  論文  参考訳（メタデータ） (2025-04-09T15:31:42Z)
• MaizeField3D: A Curated 3D Point Cloud and Procedural Model Dataset of Field-Grown Maize from a Diversity Panel [12.89812013060155]
  そこで本研究では,多種多様な遺伝子パネルから3次元点群を解析した。 MaizeField3Dは、AIによる表現型化、植物構造解析、農業研究における3D応用のための基礎的なデータセットとして機能する。
  論文  参考訳（メタデータ） (2025-03-10T19:53:20Z)
• Procedural Generation of 3D Maize Plant Architecture from LIDAR Data [16.458252508124794]
  本研究では,LiDAR点クラウドデータからトウモロコシ(Zea mays)植物の3Dプロシージャモデルを生成するための堅牢なフレームワークを提案する。 本フレームワークは非一様合理的B-スプライン(NURBS)表面を利用してトウモロコシの葉をモデル化する。
  論文  参考訳（メタデータ） (2025-01-21T22:53:09Z)
• Mipmap-GS: Let Gaussians Deform with Scale-specific Mipmap for Anti-aliasing Rendering [81.88246351984908]
  任意のスケールでガウスを適応させる統一最適化法を提案する。 ミップマップ技術に触発されて、ターゲットスケールのための擬似基底構造を設計し、3次元ガウスアンにスケール情報を注入するスケール一貫性誘導損失を提案する。 本手法は,PSNRの3DGSを,ズームインで平均9.25dB,ズームアウトで平均10.40dBで上回っている。
  論文  参考訳（メタデータ） (2024-08-12T16:49:22Z)
• Improving Gaussian Splatting with Localized Points Management [52.009874685460694]
  局所的点管理(LPM)は、点加算と幾何校正の両方を最大限に必要としながら、これらの誤り貢献ゾーンを特定することができる。 LPMは特定されたゾーンに点密度を適用し、これらの領域の前にある点の不透明度をリセットし、不適切な点を修正する新しい機会を生み出す。 特に、LPMは静的3DGSとダイナミックなSpaceTimeGSの両方を改善して、リアルタイム速度を維持しながら最先端のレンダリング品質を実現している。
  論文  参考訳（メタデータ） (2024-06-06T16:55:07Z)
• SAGS: Structure-Aware 3D Gaussian Splatting [53.6730827668389]
  本研究では,シーンの形状を暗黙的に符号化する構造認識型ガウス散乱法(SAGS)を提案する。 SAGSは、最先端のレンダリング性能と、ベンチマークノベルビュー合成データセットのストレージ要件の削減を反映している。
  論文  参考訳（メタデータ） (2024-04-29T23:26:30Z)
• Eff-3DPSeg: 3D organ-level plant shoot segmentation using annotation-efficient point clouds [1.5882586857953638]
  本稿では,3次元植物撮影セグメンテーションのための弱教師付きフレームワーク Eff-3DPSeg を提案する。 大豆の高分解能点雲を低コストのフォトグラムシステムを用いて再構成した。 植物器官セグメンテーションのための弱教師付き深層学習法が提案された。
  論文  参考訳（メタデータ） (2022-12-20T14:09:37Z)
• Two-View Fine-grained Classification of Plant Species [66.75915278733197]
  本研究では,2視点の葉のイメージ表現に基づく新しい手法と,植物種の粒度認識のための階層的分類戦略を提案する。 シームズ畳み込みニューラルネットワークに基づく深度測定は、多数のトレーニングサンプルへの依存を減らし、新しい植物種に拡張性を持たせるために用いられる。
  論文  参考訳（メタデータ） (2020-05-18T21:57:47Z)

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。