Kernekoncepter
本研究では、ニワトリ枝肉の領域検出、枝肉領域のセグメンテーション、枝肉の欠陥判別を同時に行うための
効果的なエンドツーエンドTransformerベースのフレームワークCarcassFormerを提案する。
Resumé
本研究では以下の3つの主要な貢献を行った:
データセット: 7,321枚の画像からなるニワトリ枝肉データセットを収集・アノテーションした。この
データセットには、様々な年齢、サイズ、1枚の画像あたりの枝肉数の多様性が含まれている。
手法: ニワトリ枝肉の領域検出、セグメンテーション、欠陥判別を同時に行うための効果的なエンドツー
エンドTransformerベースのフレームワークCarcassFormerを提案した。CarcassFormerは、Transformer
ベースのUnetアーキテクチャに基づいている。
事前学習モデルとコード: CarcassFormerの事前学習モデルとソースコードを研究目的で公開する。
CarcassFormerは、ResNet-34、ResNet-50、Swin-Tの3つのバックボーンネットワークを用いて評価された。
単一の枝肉が写る画像と複数の枝肉が写る画像の2つのデータセットで検証した結果、CarcassFormerは
既存のCNN系およびTransformer系のモデルと比較して、様々な評価指標(AP、AP@50、AP@75)で
優れた性能を示した。また、定性的な結果からも、CarcassFormerが羽毛や細部の特徴を正確に捉え、
高精度に枝肉を検出・セグメンテーションできることが示された。
Statistik
単一の枝肉が写る画像では、ResNet-34ベースのCarcassFormerのAPが97.70%、APnormalが98.02%、
APdefectが97.38%を達成した。
複数の枝肉が写る画像では、ResNet-50ベースのCarcassFormerのAPが90.45%、APnormalが93.42%、
APdefectが87.49%を達成した。