Fugu-MT 論文翻訳(概要): Automated Maize Ear Phenotyping Using 3D Reconstructions

論文の概要: Automated Maize Ear Phenotyping Using 3D Reconstructions

arxiv url: http://arxiv.org/abs/2609.01921v1
Date: Tue, 01 Sep 2026 22:44:22 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-03 17:53:18.004677
Title: Automated Maize Ear Phenotyping Using 3D Reconstructions
Title（参考訳）: 3次元再構成による耳の形状自動計測
Abstract要約: コーン耳の3次元点群からカーネル特性を抽出する完全自動パイプラインを開発した。パイプラインはR2 = 0.921のカーネル数と、95.2%の耳で+-2行のカーネル数を達成した。結果として得られたマルチトレートデータセットは、各耳の遺伝子型識別を知っていて、表現型から遺伝子型への関連を解析するために位置付けする。
参考スコア（独自算出の注目度）: 4.2623365672001965
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Maize kernel traits such as row number, kernels per row, and kernel size vary largely for genetic reasons and are consistently associated with regions of the genome that influence yield. Manual measurement of these traits, however, cannot keep pace with the volume of maize generated in a breeding program. To address this, we developed and validated a fully automated pipeline for extracting these traits from 3D point clouds of corn ears, built on a recently developed video-to-point-cloud platform. Raw video frames are processed through COLMAP and NeRF, the ear is isolated via density-based separation, and the point cloud is distance-calibrated to physical units. The calibrated ear point cloud was Z-axis aligned via PCA and cylindrically unwrapped to a 2D image. We enhanced contrast and performed zero-fine-tuning instance segmentation using Cellpose-SAM. A triple-juxtaposed unwrap strategy was used to prevent double-counting at the seam. The pipeline achieved kernel count R^2 = 0.921 (MAPE = 10.33%) and kernel row number within +-2 rows for 95.2% of ears (MAE = 0.75 rows) on a 168-ear held-out set from the 268-ear labeled dataset. The resulting multi-trait dataset has known genotype identity for each ear, positioning it for phenotype-to-genotype association analyses.
Abstract（参考訳）: 行数、行ごとのカーネル、カーネルサイズなどのトウモロコシのカーネル特性は、遺伝的理由によって大きく異なり、収量に影響を与えるゲノムの領域と一貫して関連している。しかし、これらの形質を手動で測定することは、育種プログラムで生成されたトウモロコシの量に匹敵することはない。そこで我々は,最近開発されたビデオ・ツー・ポイント・クラウド・プラットフォーム上に構築されたトウモロコシ耳の3Dポイント・クラウドから,これらの特徴を抽出する完全自動パイプラインを開発し,検証した。生ビデオフレームはCOLMAPとNeRFを通して処理され、耳は密度に基づく分離によって分離され、点雲は物理単位に距離校正される。校正されたイヤーポイントの雲は、PCAを介してZ軸に整列し、2D画像に円筒状に切り離された。コントラストを強化し,Cellpose-SAMを用いたゼロファインチューニングインスタンスセグメンテーションを行った。シームでのダブルカウントを防ぐために, トリプル・アックステープ・アンラップ・ストラテジーが用いられた。パイプラインはカーネル数 R^2 = 0.921 (MAPE = 10.33%) を達成し、268年式ラベル付きデータセットから168年式ホールドアウトセットで95.2%の耳(MAE = 0.75行)で+-2行のカーネル数を達成した。結果として得られたマルチトレートデータセットは、各耳の遺伝子型識別を知っていて、表現型から遺伝子型への関連を解析するために位置付けする。

関連論文リスト

Zero-Shot 3D Plant Organ Segmentation with SAM3 and Semantic NeRFs [0.9176056742068813]
私たちのパイプラインは、手動のアノテーション、種ごとの微調整、ドメイン固有の前処理なしで、セマンティックにラベル付けされた3Dポイントクラウドを生成します。コントロールされたベゴニア・マキュラタでSAM3パイプラインが92.6%のmIoUを達成した。
論文参考訳（メタデータ） (2026-09-07T16:35:01Z)
AI-enabled Low-Cost 3D Maize Ear Morphometry Platform at Breeding Scale [4.864727738166733]
われわれは,20秒間のビデオから,トウモロコシ耳の水密度3次元メッシュを再構築する低コストパイプラインを開発し,検証した。このプラットフォームは、育種規模の3D耳の表現の基盤を提供する。
論文参考訳（メタデータ） (2026-08-31T02:28:34Z)
The FID Lottery: Quantifying Hidden Randomness in Generative-Model Evaluation [55.62875959637507]
本研究では,FIDを2軸パネル上のランダムな変数として扱う。クラス条件の ImageNet 256x256 でトレーニングした数百の SiT ネットワーク上で,その分散を直接測定する。
論文参考訳（メタデータ） (2026-06-18T17:49:32Z)
Multi-Modal Spatio-Temporal Graph Neural Network with Mixture of Experts for Soil Organic Carbon Prediction [0.0]
既存のアプローチでは、手作りのコモーダルを古典的なMLとペアリングするか、豊富なスペクトルと時間情報を見逃す単一モードのディープモデルである。本稿では,SpTGNNとグリッドベースアーキテクチャの両方に対処するマルチテンポラルグラフニューラルネットワークであるSpTG-NNを紹介する。微調整されたTerraMindエンコーダは、Sentinel-2、Sentinel-1、DEM信号からノード特徴を抽出する。
論文参考訳（メタデータ） (2026-06-15T11:25:38Z)
Amplifying, Not Learning: Fine-Tuned AI Text Detectors Amplify a Pretrained Direction [51.56484100374058]
テキスト検出器は、事前訓練された典型軸を増幅する。タスク監督前の生エンコーダでは、3つのアーキテクチャでNYT-vs-HC3 AUROC 0.806/0.944/0.834を達成する。 RoBERTaベースでは、生のプロジェクションは微調整を超えるが、RoBERTaベースでは、フル微調整は、試験された流線型人口の双方で生よりも識別を小さくする。
論文参考訳（メタデータ） (2026-05-20T19:08:38Z)
IPENS:Interactive Unsupervised Framework for Rapid Plant Phenotyping Extraction via NeRF-SAM2 Fusion [7.103482669612749]
IPENSは、教師なしマルチターゲットポイントクラウド抽出手法である。粒度セグメンテーション精度(mIoU)は63.72%である。また、コムギデータセットのセグメンテーション精度を89.68%(mIoU)に改善する。
論文参考訳（メタデータ） (2025-05-19T18:13:09Z)
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)
CurvNet: Latent Contour Representation and Iterative Data Engine for Curvature Angle Estimation [50.71992730453576]
CurvNetは曲率角推定フレームワークである。我々は、画像自己生成、自動アノテーション、自動選択を備えたデータエンジンを開発する。提案手法は,最先端のコブ角推定性能を実現する。
論文参考訳（メタデータ） (2024-11-19T16:07:58Z)
Cylindrical and Asymmetrical 3D Convolution Networks for LiDAR-based Perception [122.53774221136193]
運転時のLiDARに基づく認識のための最先端の手法は、しばしば点雲を2D空間に投影し、2D畳み込みによって処理する。自然な対策として、3Dボクセル化と3D畳み込みネットワークを利用する方法がある。本研究では,3次元幾何学的パターンを探索するために,円筒状分割と非対称な3次元畳み込みネットワークを設計する,屋外LiDARセグメンテーションのための新しいフレームワークを提案する。
論文参考訳（メタデータ） (2021-09-12T06:25:11Z)
TSGCNet: Discriminative Geometric Feature Learning with Two-Stream GraphConvolutional Network for 3D Dental Model Segmentation [141.2690520327948]
2流グラフ畳み込みネットワーク(TSGCNet)を提案し、異なる幾何学的特性から多視点情報を学ぶ。 3次元口腔内スキャナーで得られた歯科モデルのリアルタイムデータセットを用いてTSGCNetの評価を行った。
論文参考訳（メタデータ） (2020-12-26T08:02:56Z)
Cylindrical and Asymmetrical 3D Convolution Networks for LiDAR Segmentation [81.02742110604161]
大規模運転シーンのLiDARセグメンテーションのための最先端の手法は、しばしば点雲を2次元空間に投影し、2D畳み込みによって処理する。そこで我々は,3次元幾何学的パタンを探索するために,円筒分割と非対称な3次元畳み込みネットワークを設計する,屋外LiDARセグメンテーションのための新しいフレームワークを提案する。提案手法はセマンティックKITTIのリーダーボードにおいて第1位を獲得し,既存のnuScenesの手法を約4%のマージンで上回っている。
論文参考訳（メタデータ） (2020-11-19T18:53:11Z)
Stem-leaf segmentation and phenotypic trait extraction of maize shoots from three-dimensional point cloud [8.392251372468412]
本稿では, 骨格抽出, 骨格に基づく粗い部分分割, 茎葉分類に基づく細部分分割の3段階からなる自動茎葉分割法を提案する。植物の高さ、樹冠径、茎の高さと直径、葉の幅と長さを含む6つの表現型パラメータを正確に自動測定することができる。提案したアルゴリズムは、完全に拡張された葉だけでなく、新しい葉をまとめて閉じることもできる。
論文参考訳（メタデータ） (2020-09-07T13:58:09Z)

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。