論文の概要: AgriCountDINO: Parameter-Efficient Exemplar-Guided Counting and Localization in Agriculture
- arxiv url: http://arxiv.org/abs/2609.29460v1
- Date: Thu, 24 Sep 2026 12:13:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-25 21:10:09.916749
- Title: AgriCountDINO: Parameter-Efficient Exemplar-Guided Counting and Localization in Agriculture
- Title（参考訳）: AgriCountdino:パラメータ効率の良いエクイプティブ・ガイド・カウンティングと農業におけるローカライゼーション
- Abstract要約: AgriCountDINOは、共同カウントとローカライゼーションのためのパラメータ効率の良い例証付きフレームワークである。
凍結されたマルチスケールのDINOv3の特徴を外見とサイズで条件付けし、徐々にターゲットポイントにデコードする。
タッセルネットV4の約10分の1である8.4Mのトレーニング可能なパラメータで、AgriCountDINOはTPC-268ベンチマークで11.92の3ショットのMAEを達成した。
- 参考スコア（独自算出の注目度）: 5.873418736171664
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate counting and localization of plants and their organs support phenotyping and yield estimation, yet target appearance, scale, and density vary widely across species and imaging conditions. Exemplar boxes specify the target without category-specific retraining, and point predictions identify the individual instances contributing to the count. We introduce AgriCountDINO, a parameter-efficient exemplar-guided framework for joint counting and localization. It conditions frozen multiscale DINOv3 features on exemplar appearance and size, then progressively decodes them into target points. Missed-object recovery extends supervision to targets overlooked by initial matching, and exemplar-adaptive point NMS filters duplicate predictions according to exemplar scale. With 8.4M trainable parameters, approximately one-tenth of TasselNetV4's, AgriCountDINO achieves a three-shot MAE of 11.92 on the TPC-268 benchmark, reducing counting error by 9.7\% while providing individual target locations. Trained only on TPC-268, it achieves a zero-shot MAE of 14.25 on unseen generic object categories in FSC-147, improving upon the best compared zero-shot method by 6.0\% without target-domain training or fine-tuning.
- Abstract（参考訳）: 植物とその器官の正確なカウントと局在は、表現型と収量の推定をサポートするが、ターゲットの外観、スケール、密度は種や画像の条件によって大きく異なる。
Exemplar Boxは、カテゴリ固有のリトレーニングなしでターゲットを指定し、ポイント予測はカウントに寄与する個々のインスタンスを識別する。
本稿では,共同カウントとローカライゼーションのためのパラメータ効率の良い先導型フレームワークであるAgriCountDINOを紹介する。
凍結されたマルチスケールのDINOv3の特徴を外見とサイズで条件付けし、徐々にターゲットポイントにデコードする。
ミスオブジェクトリカバリは、初期マッチングによって見落とされたターゲットへの監視を延長し、模範適応点NMSは、模範スケールに従って重複予測をフィルタリングする。
タッセルネットV4の約10分の1である8.4Mのトレーニング可能なパラメータで、AgriCountDINOはTPC-268ベンチマークで11.92の3ショットのMAEを達成した。
TPC-268でのみ訓練され、FCC-147の見えない汎用オブジェクトカテゴリで14.25のゼロショットMAEを達成し、ターゲットドメインのトレーニングや微調整なしに、最もよく比較されたゼロショット法を6.0\%改善した。
関連論文リスト
- NumBench: Diagnosing Counting Failures in Text-to-Image Models [27.391694807526857]
テキスト・トゥ・イメージ(T2I)モデルは、しばしば間違った数のオブジェクトを生成するが、既存のベンチマークは、理由を説明するには小さすぎるか弱すぎる。
textbfは1,600のカテゴリにまたがる640,000のプロンプトと1から100までのカウントのベンチマークです。
また、要求されたインスタンスが解決可能な画像領域の有限セットに競合するプロセスモデルも開発する。
論文 参考訳（メタデータ） (2026-08-28T11:26:19Z) - Predictive Memory Localization: Forecasting Selective Intervention Paths from Internal Signals [4.075831906880532]
本稿では,PML(Predictive Memory Localization)を導入し,メモリローカライゼーションの予測対象として計測グリッド介入経路を取り扱う。
PMLは、ランダムキャリブレーションされた目標運動を、セマンティック近傍と能力的損傷から分離し、静的な局在化と教師あり幾何を、強度に相反する低線量因果応答と比較する。
3つの残留ノルムマッチングベースモデル全体で、学習方向は選択的パスゲインを保持し、低線量応答は0.801-0.828レコード保持マクロAUROCを生成する。
論文 参考訳（メタデータ） (2026-08-13T07:23:32Z) - AdaCount: Training-Free Similarity-Guided Spatial and Feature Adaptation for Zero-Shot Object Counting [22.69910219820086]
Zero-shot Object counting (ZOC)は、テキストプロンプトによってのみ指定された任意のオブジェクトカテゴリのインスタンスをカウントすることを目的としている。
最近のトレーニングフリーアプローチではSAMのような基礎モデルを利用して、カウントをプロンプト駆動のセグメンテーションタスクとして再構成している。
類似性誘導空間および特徴適応に基づくZOCのためのトレーニングフリーフレームワークであるAdaCountを提案する。
論文 参考訳（メタデータ） (2026-07-02T13:16:04Z) - Efficient Visual Pointing for Embodied AI:Agent-Driven Data Synthesis, Cross-Block Attention, and Iterative Correction [55.11480729304395]
PointArena 2026は77.2%の精度でベンチマークで2位である。
ap proachは3つの障害モードをターゲットにしている。第一に、エージェント駆動のシンセシスは大きなセマンティクスとアンカー相対的な候補プールを構築する。
次に、determinis tic steerable-dataパイプラインは、認証された10,000サンプルのメインセットと、マスク、テンプレート、パス検証を使用するリザーブサンプルを生成する。
論文 参考訳（メタデータ） (2026-06-29T06:39:03Z) - Seclens: Role-specific Evaluation of LLM's for security vulnerablity detection [0.0]
SecLens-Rは、35の共有次元を7つの測定カテゴリに分けて構成するマルチステークホルダー評価フレームワークである。
93のオープンソースプロジェクトから派生した406タスクのデータセット上で,SecLens-Rを用いて12のフロンティアモデルを評価する。
結果は、利害関係者の視点でかなりの変動を示し、決定スコアは同じモデルで最大31ポイント異なる。
論文 参考訳（メタデータ） (2026-04-02T05:25:50Z) - Semiparametric conformal prediction [79.6147286161434]
ベクトル値の非整合性スコアの結合相関構造を考慮した共形予測セットを構築する。
スコアの累積分布関数(CDF)を柔軟に推定する。
提案手法は,現実の回帰問題に対して,所望のカバレッジと競争効率をもたらす。
論文 参考訳（メタデータ） (2024-11-04T14:29:02Z) - CounTR: Transformer-based Generalised Visual Counting [94.54725247039441]
我々は任意の意味圏からオブジェクト数を数える計算モデルを開発し、任意の数の「例」を用いて計算する。
FSC-147のような大規模カウントベンチマークの徹底的なアブレーション研究を行い、ゼロおよび少数ショット設定の両方で最先端の性能を示す。
論文 参考訳（メタデータ） (2022-08-29T17:02:45Z) - Rethinking Counting and Localization in Crowds:A Purely Point-Based
Framework [59.578339075658995]
そこで本稿では,共同クラウドカウントと個別ローカライゼーションのための純粋にポイントベースのフレームワークを提案する。
我々は、P2PNet(Point to Point Network)と呼ばれる、このフレームワークの下で直感的なソリューションを設計する。
論文 参考訳（メタデータ） (2021-07-27T11:41:50Z) - Meta-Generating Deep Attentive Metric for Few-shot Classification [53.07108067253006]
本稿では,新しい数ショット学習タスクのための特定のメトリックを生成するための,新しい深度メタジェネレーション手法を提案する。
本研究では,各タスクの識別基準を生成するのに十分なフレキシブルな3層深い注意ネットワークを用いて,メトリクスを構造化する。
特に挑戦的なケースでは、最先端の競合他社よりも驚くほどパフォーマンスが向上しています。
論文 参考訳（メタデータ） (2020-12-03T02:07:43Z) - Generalized Focal Loss: Learning Qualified and Distributed Bounding
Boxes for Dense Object Detection [85.53263670166304]
一段検出器は基本的に、物体検出を密度の高い分類と位置化として定式化する。
1段検出器の最近の傾向は、局所化の質を推定するために個別の予測分岐を導入することである。
本稿では, 上記の3つの基本要素, 品質推定, 分類, ローカライゼーションについて述べる。
論文 参考訳（メタデータ） (2020-06-08T07:24:33Z)
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。