論文の概要: EgoMaize: A First-Person Maize Instance Segmentation Benchmark under Severe Field Occlusion
- arxiv url: http://arxiv.org/abs/2609.12350v1
- Date: Fri, 11 Sep 2026 02:18:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-15 07:38:31.585864
- Title: EgoMaize: A First-Person Maize Instance Segmentation Benchmark under Severe Field Occlusion
- Title（参考訳）: EgoMaize: 厳密なフィールド排他の下での最初のパーソンメイズインスタンスセグメンテーションベンチマーク
- Abstract要約: EgoMaizeは、一対一のmaizeインスタンスセグメンテーションのためのコンパクトなベンチマークである。
クローズレンジのフィールド画像から、植物マスクと植物所有の茎/房キューの所有権を予測します。
- 参考スコア（独自算出の注目度）: 17.092592218410907
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Close-range first-person field images are important for mobile maize phenotyping because many plant-level traits depend on in-canopy structures that are difficult to ob serve from overhead views. However, post-seedling maize fields create a difficult in stance segmentation setting: stems, leaves, tassels, and neighboring plants are elon gated, repetitive, and strongly occluded. We introduce EgoMaize, a compact benchmark for first-person maize instance segmentation, where the task is to predict ownership consistent plant masks and plant-owned stem/tassel cues from close-range field images with severe same-class overlap. Existing visible-only labels can fragment one physi cal plant into disconnected supervision, while full-amodal labels may require unverifi able completion behind neighboring plants or field objects. EgoMaize therefore uses an evidence-closed annotation workflow for occluded maize regions and assigns unreli able maize regions to ignore rather than background. Baseline results show that pre trained query-based grouping, boundary refinement, and high-resolution crop refine ment help different aspects of the task, but no architecture solves the coupled chal lenges of fine structure recovery, same-class instance ownership, and occlusion reason ing; occlusion-level analysis further shows that performance decreases as plant visi bility becomes more limited. The dataset and code are publicly available at https: //github.com/JaaaaaaaD/EgoMaize.
- Abstract（参考訳）: 植物レベルの特徴の多くは、頭上からの視認が困難である天蓋内構造に依存しているため、移動トウモロコシの表現には近距離のファースト・パーソン・フィールド・イメージが重要である。
しかし、放牧後のトウモロコシ畑は、茎、葉、房、近隣の植物は、エロンを接種し、反復し、強く閉鎖されるという、スタンスセグメンテーションの環境では難しい。
EgoMaizeは、一対一のメイズインスタンスセグメンテーションのためのコンパクトなベンチマークであり、そのタスクは、厳密な同一クラスオーバーラップを伴う近距離フィールド画像から、植物所有の茎/房口の所有権を予測することである。
既存の可視光のみのラベルは、1つの物理カルプラントを切断して非接続の監視を行うことができ、一方、フルアモーダルラベルは近隣の植物やフィールドオブジェクトの後方で非破壊的な完成を必要とする可能性がある。
従って、EgoMaizeは、閉鎖されたトウモロコシの領域にエビデンスを閉じたアノテーションワークフローを使用し、背景ではなく無視するために信頼性の低いトウモロコシの領域を割り当てる。
基礎的な結果は,事前訓練された問合せに基づくグループ化,境界改良,高精細化がタスクの異なる側面に役立つことを示しているが,微細構造回復,同一クラスのインスタンスオーナシップ,排他的理由付けといった,結合したチャルレンジを解消するアーキテクチャは存在しない。
データセットとコードはhttps: //github.com/JaaaaaaaD/EgoMaizeで公開されている。
関連論文リスト
- Count Anything at Any Granularity [55.70950689938894]
KubriCountは、これまでで最大で、最も包括的な注釈付きカウントデータセットである。
テキストと視覚的特徴を相補的なターゲット仕様として併用する多粒カウントモデルを訓練する。
HieraCountは、マルチグラデーションカウントの精度を大幅に改善し、現実のシナリオに対して堅牢に一般化する。
論文 参考訳（メタデータ） (2026-05-11T17:32:37Z) - CropNeRF: A Neural Radiance Field-Based Framework for Crop Counting [9.600466490978665]
本稿では,3次元インスタンス分割による正確な列挙のために設計された新しい作物計数フレームワークを提案する。
提案手法では,複数の視点から捉えた2次元画像を用いて,ニューラルレイディアンスフィールド(NeRF)ビュー合成のための独立したインスタンスマスクを関連づける。
我々は,綿棒,リンゴ,ナシの3種類の農業データセットの枠組みを検証し,一貫した計数性能を示した。
論文 参考訳（メタデータ） (2026-01-01T04:51:02Z) - SoilNet: A Multimodal Multitask Model for Hierarchical Classification of Soil Horizons [0.9937132009954994]
土壌の正確な分類は土壌の健康のモニタリングに不可欠である。
提案手法では, 地層分布を地平線候補に分割し, 画像データと時空間第一深度を推定する。
我々の手法は複雑な階層分類に対処するために設計されており、可能なラベルの数は、非常に大きく、不均衡であり、非自明に構造化されている。
論文 参考訳（メタデータ） (2025-08-05T15:29:57Z) - Exploiting Boundary Loss for the Hierarchical Panoptic Segmentation of Plants and Leaves [0.3659498819753633]
本稿では,葉数と雑草の位置を同時に決定する階層的パノプティックセグメンテーション法を提案する。
この結果,標準学習セットでのPQ+81.89を達成できるだけでなく,本手法により葉数精度を向上できることを示す。
論文 参考訳（メタデータ） (2024-12-31T16:23:58Z) - Weakly Supervised Panoptic Segmentation for Defect-Based Grading of Fresh Produce [0.0]
農業用サプライチェーンの欠陥の検査は極めて重要であるが、伝統的に労働集約的であり、エラーを起こしやすい。
スパースアノテーションから高密度の汎視的セグメンテーションマスクを生成するために,セグメンテーションモデルを評価することで,この問題に対処する。
提案手法は, パン光学マスクの欠陥数と相対サイズを実用的に推定するものである。
論文 参考訳（メタデータ） (2024-11-25T09:28:58Z) - GraCo: Granularity-Controllable Interactive Segmentation [52.9695642626127]
Granularity-Controllable Interactive (GraCo) は、入力に追加パラメータを導入することによって、予測粒度の正確な制御を可能にする新しいアプローチである。
GraCoは、事前訓練されたISモデルのセマンティック特性を利用して、豊富なマスクとグラニュラリティのペアを自動的に生成する。
オブジェクトと部分レベルの複雑なシナリオの実験は、GraCoが以前の方法よりも大きな利点があることを示しています。
論文 参考訳（メタデータ） (2024-05-01T15:50:16Z) - SOHES: Self-supervised Open-world Hierarchical Entity Segmentation [101.64232919592017]
この研究は、人間のアノテーションを必要としない新しいアプローチであるSOHES(Self-supervised Open World Hierarchical Entities)を提示する。
視覚的特徴クラスタリングにより高品質な擬似ラベルを生成し,教師同士の学習によって擬似ラベルの雑音を補正する。
学習データとして生画像を用いることにより,自己監督型オープンワールドセグメンテーションにおける前例のない性能を実現する。
論文 参考訳（メタデータ） (2024-04-18T17:59:46Z) - Open-Vocabulary Segmentation with Unpaired Mask-Text Supervision [87.15580604023555]
Unpair-Segは、弱制御されたオープン語彙セグメンテーションフレームワークである。
未ペア画像マスクと画像テキストペアから学習し、独立して効率的に収集することができる。
ADE-847とPASCAL Context-459データセットで14.6%と19.5%のmIoUを達成した。
論文 参考訳（メタデータ） (2024-02-14T06:01:44Z) - High-Quality Entity Segmentation [110.55724145851725]
CropFormerは高解像度画像におけるインスタンスレベルのセグメンテーションの難易度に対処するために設計されている。
よりきめ細かい画像とフルイメージを提供する高解像度の画像作物を融合することで、マスク予測を改善する。
CropFormerでは、難易度の高いエンティティセグメンテーションタスクで1.9ドルという大きなAP利益を達成しています。
論文 参考訳（メタデータ） (2022-11-10T18:58:22Z) - Hierarchical Approach for Joint Semantic, Plant Instance, and Leaf
Instance Segmentation in the Agricultural Domain [29.647846446064992]
植物表現型は、植物の成長段階、発達、その他の関連する量を記述するため、農業において中心的な課題である。
本稿では,RGBデータから作物の連接意味,植物インスタンス,葉のインスタンスセグメンテーションの問題に対処する。
本稿では,3つのタスクを同時に処理する単一畳み込みニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2022-10-14T15:01:08Z) - Deep Spectral Methods: A Surprisingly Strong Baseline for Unsupervised
Semantic Segmentation and Localization [98.46318529630109]
画像分解をグラフ分割問題として再フレーミングすることで,従来のスペクトル分割法から着想を得た。
これらの固有ベクトルはすでにイメージを意味のあるセグメントに分解しており、シーン内のオブジェクトのローカライズに容易に利用できる。
データセットにまたがるこれらのセグメントに関連する機能をクラスタ化することで、明確に定義された、名前付き可能なリージョンを得ることができる。
論文 参考訳（メタデータ） (2022-05-16T17:47:44Z)
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。