要約
葉のセグメンテーションは、高スループットな植物形態解析および複雑な形質の定量的研究において、最も直接的かつ効果的な手法である。現在の植物形態解析の主な目的は、自律的形態測定の精度を向上させることにある。本研究では、各葉領域を明確に抽出し、葉数をカウントするための新たなエンドツーエンドモデルであるLeafMaskニューラルネットワークを提案する。本モデルは以下の2つの主要な構成要素からなる：1）非最大抑制（NMS）後の各予測ボックスの位置感度ベースと対応する係数を統合し、初期マスクを生成するマスクアセンブリモジュール；2）点選択戦略と予測器を用いて、マスクアセンブリモジュールから得られたマスクから葉の境界を精緻化するマスク精製モジュール。さらに、二重アテンションガイド付きマスク（DAG-Mask）ブランチにおいて、新たな柔軟性を備えたマルチスケールアテンションモジュールを設計し、情報表現を効果的に強化し、より正確なベースを生成することを可能にした。本研究の主な貢献は、アノンフリーインスタンスセグメンテーションの枠組み下で、マスクアセンブリモジュールとマスク精製モジュールを統合することで、最終的な改良されたマスクを生成することにある。LeafMaskは、Leaf Segmentation Challenge（LSC）データセットを用いた広範な実験により検証された。提案モデルは、他の最先端手法を上回る90.09％のBestDiceスコアを達成した。