Fugu-MT 論文翻訳(概要): PlantC2USeg: Cross-Scale Consistent Pre-Training for Few-Shot Unified Plant Point Cloud Segmentation

論文の概要: PlantC2USeg: Cross-Scale Consistent Pre-Training for Few-Shot Unified Plant Point Cloud Segmentation

arxiv url: http://arxiv.org/abs/2609.02860v1
Date: Wed, 02 Sep 2026 17:43:56 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-03 17:53:18.483787
Title: PlantC2USeg: Cross-Scale Consistent Pre-Training for Few-Shot Unified Plant Point Cloud Segmentation
Title（参考訳）: PlantC2USeg:Few-Shot統合プラントポイントクラウドセグメンテーションのためのクロススケール一貫性事前トレーニング
Abstract要約: そこで我々は,空間規模にまたがる特徴の整合性学習を特徴とする深層移動学習フレームワークPlantC2USegを提案する。このフレームワークは比較手法の中で、91.91%と94.62%の最高セマンティックIoUとインスタンスmWCovを達成している。以上の結果から,PlanC2USegは分布シフトによる適応の全体的な労力を減らし,スケーラブルな植物表現型と移動可能な3D表現学習を可能にした。
参考スコア（独自算出の注目度）: 6.959027496658641
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Modern crop breeding demands precise organ-level analysis for trait quantification, making plant point cloud segmentation (PPCS) increasingly important. However, conventional deep learning approaches rely heavily on densely annotated datasets that are labor-intensive to acquire. Unified PPCS adaptation from distribution-shifted examples with minimal additional training remains challenging. To address this, we propose PlantC2USeg, a deep transfer learning framework featuring cross-scale consistency learning to explicitly align features across spatial scales and an information-restricted decoding strategy that prevents reconstruction shortcuts and promotes robust adaptation. The resulting pre-training enables stable few-shot generalization across species and sensing conditions, while unified fine-tuning with inherited thresholds further reduces adaptation overhead. Under full supervision on Soybean3D, PlantC2USeg achieves the highest semantic IoU and instance mWCov among compared methods, at 91.91% and 94.62%. With 20 labeled samples, it leads both metrics at 89.78% and 90.27%; with only 10 samples, it retains the highest mWCov of 83.23% while achieving 83.19% IoU. Across HR3D, 10-shot transfer to tobacco, tomato, and sorghum averages 78.41% IoU and 79.42% mWCov, while 22-shot transfer to SYAU-Maize achieves the highest IoU and mRec at 92.75% and 93.51%. Furthermore, a leading category-averaged mIoU of 85.0% on ShapeNet Part demonstrates the framework's capability to handle diverse shape variations beyond agricultural domains. These results demonstrate that PlantC2USeg reduces overall adaptation effort under distribution shifts, enabling scalable plant phenotyping and transferable 3D representation learning beyond agriculture.
Abstract（参考訳）: 現代の作物の育種は、形質定量化のための正確な臓器レベルの分析を必要としており、植物点雲分節(PPCS)がますます重要になっている。しかし、従来のディープラーニングアプローチは、取得に労力を要する高密度な注釈付きデータセットに大きく依存している。最小限の追加訓練を施した分布シフト例からの統一PPCS適応は依然として困難である。そこで本研究では,空間規模にまたがる特徴を明示的に整合させるクロススケール一貫性学習を特徴とするディープラーニング学習フレームワークであるPlantC2USegと,再構成ショートカットを防止し,ロバストな適応を促進する情報制限デコード戦略を提案する。結果として生じる事前訓練により、種と感知条件をまたいで安定な数発の一般化が可能となり、また、遺伝しきい値と統合された微調整により、適応オーバーヘッドがさらに減少する。 Soybean3Dの完全な監督のもと、PlantC2USegは91.91%と94.62%で比較手法の中で最高セマンティックIoUとインスタンスmWCovを達成した。 20個のラベル付きサンプルで、どちらも89.78%と90.27%であり、10個のサンプルだけで83.23%のmWCovを維持し、83.19%のIoUを達成している。 HR3D全体では、タバコ、トマト、ソルガムへの10ショット転送の平均は78.41% IoUと79.42% mWCovであり、SYAU-Maizeへの22ショット転送は92.75%と93.51%である。さらに、ShapeNet Partの85.0%のカテゴリー平均mIoUは、農業ドメインを超えた多様な形状変化を処理するフレームワークの能力を実証している。これらの結果から,PlanC2USegは分布シフトによる適応の全体的取り組みを減らし,スケーラブルな植物表現型と移動可能な3D表現学習を可能にした。

関連論文リスト

Detection of Christmas tree plantations from high-resolution aerial imagery. A case study in the French Morvan [22.126775072131608]
クリスマスツリープランテーションは経済的に関係があるが、リモートセンシング(RS)におけるほとんど探索されていない分野である。本研究は, クリスマスツリーのプランテーションマッピングを, 個別のレアターゲットセマンティックセマンティックセグメンテーション問題として扱うこと, (ii) 混在する背景パターンの識別を改善するハードネガティブマイニング(HNM)戦略を導入すること, (iii) 教師付きテスト, 時間移動, 大規模検証を含む相補的なレベルのフレームワークを評価すること,の3つの主な貢献を行う。
論文参考訳（メタデータ） (2026-08-27T15:58:20Z)
Do Generative Metrics Predict YOLO Performance? An Evaluation Across Models, Augmentation Ratios, and Dataset Complexity [43.338311770275745]
本報告では, YOLOv11の合成増強の制御された評価法について述べる。実際のトレーニングスプリットの10%から150%の増大率に対して, GAN, 拡散, ハイブリッドベースの6つのジェネレータをベンチマークした。データセット生成/拡張設定毎に、マッチしたサイズのブートストラッププロトコルで事前トレーニングデータセットメトリクスを計算する。
論文参考訳（メタデータ） (2026-02-20T03:02:36Z)
Domain-Specific Self-Supervised Pre-training for Agricultural Disease Classification: A Hierarchical Vision Transformer Study [0.0]
ドメイン固有の自己指導型事前学習が階層型視覚変換器を用いた農業病の分類に及ぼす影響について検討した。鍵となる発見は、わずか3,000のラベルのない農業用画像でSimCLRの事前トレーニングが、+4.57%の精度向上をもたらすことである。 Swin-Base の収率 +4.08% に対して同じ事前トレーニングを ViT-Base +4.20% に適用する。
論文参考訳（メタデータ） (2026-01-09T12:35:52Z)
A Domain-Adapted Lightweight Ensemble for Resource-Efficient Few-Shot Plant Disease Classification [0.0]
ドメイン適応型MobileNetV2モデルとMobileNetV3モデルを組み合わせた数ショットの学習手法を提案する。分類タスクには、注意機構を付加したBi-LSTM分類器を通す。 1発から15発のパフォーマンスを継続的に改善し、15発で98.23+-0.33%に達した。また、以前のSOTAの精度も96.4%向上し、15ショットの学習で99.72%を記録した。
論文参考訳（メタデータ） (2025-12-15T15:17:29Z)
ATMS-KD: Adaptive Temperature and Mixed Sample Knowledge Distillation for a Lightweight Residual CNN in Agricultural Embedded Systems [0.6299766708197883]
ATMS-KD(Adaptive Temperature and Mixed-Sample Knowledge Distillation)は、軽量CNNモデルを開発するための新しいフレームワークである。このフレームワークは、適応的な温度スケジューリングと混合サンプル拡張を組み合わせることで、MobileNetV3大教師モデルから軽量残留CNN学生に知識を伝達する。本研究で使用したデータセットは,モロッコ南東部,ダデスオアシスの農地から採取したテライトロサ・ダマスセナ(Damask rose)の画像からなる。
論文参考訳（メタデータ） (2025-08-27T19:23:54Z)
Variational Supervised Contrastive Learning [50.79938854370321]
本稿では,教師付きコントラスト学習を潜在クラス変数に対する変分推論として再構成した変分教師付きコントラスト学習(VarCon)を提案する。 VarConは対照的な学習フレームワークの最先端のパフォーマンスを達成し、ImageNet-1Kでは79.36%、CIFAR-100では78.29%、ResNet-50エンコーダでは78.29%に達した。
論文参考訳（メタデータ） (2025-06-09T04:19:12Z)
Accurate and Reliable Predictions with Mutual-Transport Ensemble [46.368395985214875]
Kullback-Leibler (KL) を用いた共学習補助モデルの提案とクロスエントロピー損失の適応的正則化 MTEは精度と不確実性の両方を同時に向上させることができる。例えば、CIFAR-100データセットでは、我々のResNet34/50上のMTEメソッドは、従来の最先端の手法に比べて大幅に改善された。
論文参考訳（メタデータ） (2024-05-30T03:15:59Z)
Understanding and Minimising Outlier Features in Neural Network Training [33.980628229566555]
Outlier Features (OFs) は、ニューラルネットワーク(NN)の幅の平均よりも、アクティベーションがかなり大きいニューロンである。建築と最適化の選択がOFに与える影響について検討し、トレーニング中のOFを最小化するための実践的な洞察を提供する。新規な非正規化変圧器ブロック,outlier Protected blockを導入し,非対角型プリコンディショニングオプティマイザの既知の利点を示す。
論文参考訳（メタデータ） (2024-05-29T17:11:28Z)
DiTMoS: Delving into Diverse Tiny-Model Selection on Microcontrollers [34.282971510732736]
我々は、セレクタ分類器アーキテクチャを備えた新しいDNNトレーニングおよび推論フレームワークであるDiTMoSを紹介する。弱いモデルの合成は高い多様性を示すことができ、それらの結合は精度の上限を大幅に高めることができる。我々は,Nucleo STM32F767ZIボード上にDiTMoSをデプロイし,人間の活動認識,キーワードスポッティング,感情認識のための時系列データセットに基づいて評価する。
論文参考訳（メタデータ） (2024-03-14T02:11:38Z)
Industrial Anomaly Detection and Localization Using Weakly-Supervised Residual Transformers [44.344548601242444]
Weakly-supervised RESidual Transformer (WeakREST) という新しいフレームワークを導入し,高い異常検出精度を実現する。画素単位の異常局所化タスクをブロック単位の分類問題に再構成する。弱いラベルと残差に基づく表現との相互作用を処理できるResMixMatchアルゴリズムを開発した。
論文参考訳（メタデータ） (2023-06-06T08:19:30Z)
PST: Plant segmentation transformer for 3D point clouds of rapeseed plants at the podding stage [5.010317705589445]
深層学習ネットワークプラントセグメンテーショントランス (PST) PSTは、(i)動的ボクセル特徴エンコーダ(DVFE)と、(ii)デュアルウインドウが注意ブロックを設定してコンテキスト情報をキャプチャし、(iii)濃密な特徴伝搬モジュールで最後の密集点特徴マップを得る。結果: PST と PST-PointGroup (PG) はセマンティックおよびインスタンスセグメンテーションタスクにおいて優れた性能を示した。
論文参考訳（メタデータ） (2022-06-27T06:56:48Z)
Semi-supervised Contrastive Learning with Similarity Co-calibration [72.38187308270135]
SsCL(Semi-supervised Contrastive Learning)と呼ばれる新しいトレーニング戦略を提案する。 ssclは、自己教師付き学習におけるよく知られたコントラスト損失と、半教師付き学習におけるクロスエントロピー損失を組み合わせる。 SsCLはより差別的な表現を生じさせ,ショット学習に有益であることを示す。
論文参考訳（メタデータ） (2021-05-16T09:13:56Z)

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。