論文の概要: MCLC-NET: Multimodal Continual Learning for Leaf Counting
- arxiv url: http://arxiv.org/abs/2609.18129v1
- Date: Wed, 16 Sep 2026 05:07:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-20 08:55:53.64819
- Title: MCLC-NET: Multimodal Continual Learning for Leaf Counting
- Title（参考訳）: MCLC-NET: リーフカウントのためのマルチモーダル連続学習
- Abstract要約: MCLC-NETはリーフカウントのための継続的学習フレームワークである。
MMLCは実世界のマルチモーダルリーフカウントデータセットである。
MCLC-NETは3つのタスクの順序で既存のメソッドを一貫して上回っている。
- 参考スコア（独自算出の注目度）: 9.875040324466253
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Leaf counting is an important task in plant phenotyping for monitoring plant growth and estimating crop yield. Most existing methods rely on RGB images, but their performance is often affected by occlusion, lighting variations, and other real-world challenges. Additional modalities, such as depth and thermal images, can provide useful complementary information. However, multimodal leaf counting remains underexplored. Also, many existing methods assume that all training data are available simultaneously, which is impractical in real agricultural settings, where data is collected over time from multiple sources. To address these challenges, we propose MCLC-NET, a multimodal continual learning framework for leaf counting. It learns tasks sequentially using a memory-based strategy with a memory buffer to retain important samples from previous tasks. We also introduce MMLC, a real-world multimodal leaf-counting dataset designed for a domain incremental scenario (DIS) in CL. It contains RGB, depth, and thermal images collected across different crop types under varying environmental conditions, arranged in three orderings: crop-wise, time-wise, and mixed. Experimental results, averaged over three random seeds, demonstrate that MCLC-NET consistently outperforms existing methods across all three task orderings, achieving the lowest AMSE of 0.675$\pm$0.027, 0.542$\pm$0.069, and 0.745$\pm$0.057, respectively.
- Abstract（参考訳）: 葉数測定は植物の生育をモニタリングし、収穫量を推定する上で重要な課題である。
既存のほとんどの手法はRGB画像に依存しているが、その性能はオクルージョンや照明のバリエーション、その他の現実世界の課題に影響されることが多い。
深度や熱画像などの追加のモダリティは、相補的な有用な情報を提供することができる。
しかし、マルチモーダルリーフカウントは未発見のままである。
また、既存の多くの手法では、すべてのトレーニングデータが同時に利用可能であり、複数のソースからデータを収集する実際の農業環境では実用的ではないと仮定している。
これらの課題に対処するために,葉の数え上げのためのマルチモーダル連続学習フレームワークMCLC-NETを提案する。
メモリバッファを使ったメモリベースの戦略を使ってタスクをシーケンシャルに学習し、以前のタスクから重要なサンプルを保持する。
また,CLのドメインインクリメンタルシナリオ(DIS)用に設計された実世界のマルチモーダルリーフカウントデータセットMMLCについても紹介する。
RGB、深度、熱画像は、異なる環境条件下で異なる作物の種類にまたがって収集され、3つの順序(作物、時間、混合)に分けられる。
3つのランダムな種の平均的な実験結果から、MCLC-NETは3つのタスクの順序で既存の手法を一貫して上回り、最低のAMSEは0.675$\pm$0.027、0.542$\pm$0.069、0.745$\pm$0.057であることが示された。
関連論文リスト
- Towards Multimodal Lifelong Understanding: A Dataset and Agentic Baseline [58.585692088008905]
MM-Lifelongはマルチモーダルライフロング理解のために設計されたデータセットである。
撮影時間は181.1時間で、日、週、月の各スケールにまたがって構成され、様々な時間密度を捉えている。
論文 参考訳（メタデータ） (2026-03-05T18:52:12Z) - MT-CYP-Net: Multi-Task Network for Pixel-Level Crop Yield Prediction Under Very Few Samples [5.547023223870711]
我々はMulti-Task Crop Yield Prediction Network (MT-CYP-Net)と呼ばれる新しい手法を提案する。
このフレームワークは、共有バックボーンネットワークから抽出された特徴を、収穫予測デコーダと作物分類デコーダの両方で同時に活用する、効果的なマルチタスク機能共有戦略を導入する。
この設計により、MT-CYP-Netは、細かな収量点ラベルと収量型ラベルで訓練できると同時に、詳細なピクセルレベルの収量マップを生成することができる。
論文 参考訳（メタデータ） (2025-05-17T16:20:44Z) - CoLLM: A Large Language Model for Composed Image Retrieval [76.29725148964368]
Composed Image Retrieval (CIR)は、マルチモーダルクエリに基づいた画像検索を目的とした複雑なタスクである。
本稿では,イメージキャプションペアからトリプレットをオンザフライで生成するワンストップフレームワークであるCoLLMを提案する。
我々はLarge Language Models (LLMs) を利用して参照画像の埋め込みと修正テキストを生成する。
論文 参考訳（メタデータ） (2025-03-25T17:59:50Z) - MRAMG-Bench: A Comprehensive Benchmark for Advancing Multimodal Retrieval-Augmented Multimodal Generation [19.745059794932807]
本稿では,MRAMG(Multimodal Retrieval-Augmented Multimodal Generation)タスクを紹介する。
我々は,コーパス内のマルチモーダルデータを完全に活用して,テキストと画像を組み合わせたマルチモーダルな回答を生成することを目指している。
厳密な評価を容易にするため、MRAMG-Benchは統計およびLLMベースのメトリクスの総合的なスイートを組み込んでいる。
論文 参考訳（メタデータ） (2025-02-06T16:07:24Z) - LiMoE: Mixture of LiDAR Representation Learners from Automotive Scenes [55.33167217384738]
LiMoEは、Mixture of Experts(MoE)パラダイムをLiDARデータ表現学習に統合するフレームワークである。
我々のアプローチは3つの段階からなる: Image-to-LiDAR Pretraining, Contrastive Mixture Learning (CML), Semantic Mixture Supervision (SMS)。
論文 参考訳（メタデータ） (2025-01-07T18:59:58Z) - MINIMA: Modality Invariant Image Matching [52.505282811925454]
複数のクロスモーダルケースを対象とした統合画像マッチングフレームワークであるMINIMAを提案する。
生成モデルを用いて、安価だがリッチなRGBのみのマッチングデータからモダリティをスケールアップする。
MD-synでは、任意の高度なマッチングパイプラインをランダムに選択したモダリティペアで直接訓練して、クロスモーダル能力を得ることができる。
論文 参考訳（メタデータ） (2024-12-27T02:39:50Z) - CountMamba: Exploring Multi-directional Selective State-Space Models for Plant Counting [33.41299696340091]
植物カウントは、種子の育種、発芽、栽培、受精、受粉収量の推定、収穫など、農業のあらゆる段階において不可欠である。
逐次走査法により高分解能画像中の被写体を数えることに着想を得て, 状態空間モデル(SSM)を用いて植物計測タスクを処理し, 結果を生成する可能性を探る。
我々は,複数のカウント専門家が同時に様々な方向からスキャンできるように,CountMambaという新しいカウント手法を提案する。
論文 参考訳（メタデータ） (2024-10-10T01:52:57Z) - Multi-Level Contrastive Learning for Dense Prediction Task [59.591755258395594]
本稿では,高密度予測タスクのための領域レベルの特徴表現を効率よく学習するための,MCL(Multi-Level Contrastive Learning for Dense Prediction Task)を提案する。
本手法は, 局所化, スケールの整合性, 認識の3つの要因に動機付けられている。
提案手法は,様々なデータセットにおける最近の最先端の手法よりも有意なマージンを有する。
論文 参考訳（メタデータ） (2023-04-04T17:59:04Z) - MultiMAE: Multi-modal Multi-task Masked Autoencoders [2.6763498831034043]
マルチモーダルマルチタスクマスケ自動エンコーダ(MultiMAE)と呼ばれる事前学習戦略を提案する。
我々は、この事前学習戦略が、ダウンストリームタスクへの転送結果を改善した、柔軟で、シンプルで、効率的なフレームワークに繋がることを示す。
論文 参考訳（メタデータ） (2022-04-04T17:50:41Z) - 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)
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。