Jiangsan Zhao
Forsker
Sammendrag
Neural Radiance Fields (NeRF) have been widely adopted for reconstructing high-quality 3D scenes from 2D RGB images. However, achieving accurate 3D object segmentation within these reconstructed scenes remains challenging. Existing NeRF-based segmentation methods either rely on post-processing (SA3D), which produces noisy point clouds due to the absence of density field optimization, or employ joint training with additional segmentation heads (FruitNeRF), which can lead to suboptimal performance due to conflicting learning objectives. In this work, we propose InvNeRF-Seg (Input-substitution NeRF for Segmentation), a two-stage fine-tuning strategy for 3D object segmentation that preserves the original NeRF architecture and loss function entirely. We first train a standard NeRF on RGB images and then fine-tune it using 2D segmentation masks formatted as RGB-like inputs, without introducing any architectural modifications or additional loss functions. This input-substitution approach reshapes the density field to align with object regions while suppressing background density. We validate InvNeRF-Seg through comprehensive ablation studies examining the roles of density and color MLPs, loss function choices, and training strategies. Field density analysis reveals consistent semantic refinement: densities of object regions increase while background densities are suppressed. Experiments on synthetic fruit datasets and real-world soybean imagery demonstrate that InvNeRF-Seg produces cleaner 3D segmented point clouds compared to both SA3D and FruitNeRF, enabling more accurate downstream object counting. The method is further validated on a self-collected soybean dataset to demonstrate its applicability in real-world agricultural scenarios.
Sammendrag
Det er ikke registrert sammendrag
Sammendrag
Det er ikke registrert sammendrag
Divisjon for matproduksjon og samfunn
TEKNOPOTET - Ny teknologi for økt presisjon i produksjon og lagring av små matpoteter
Forbruket av matpoteter er i senere tid dreid mot en økt andel små matpoteter, såkalt delikatessepoteter. Hovedmålet for prosjektet er å utvikle ny kunnskap, teknologi og verktøy for økt presisjon i dyrking og lagring av slike småpoteter. Formålet er at markedet for småpoteter i størst mulig grad skal kunne dekkes av norske småpoteter med rett kvalitet. For at produksjonen skal være lønnsom må antall knoller per plante økes, knollene må ha rett størrelse og være mest mulig jevnstore, og lagringsstrategiene må tilpasses poteter som er små og pakkes tettere i kassene.
Divisjon for matproduksjon og samfunn
TEKNOPOTET – New technology for increased precision in production and storage of small-sized potatoes
The aim of project is to combine new tehnologies and knowledge about physiological status of potatoes to increase the precision of growing and storing of small-sized potatoes.
Divisjon for matproduksjon og samfunn
COPERNICUS - Jordbruk
Formålet med prosjektet er å ta i bruk satellitt-data fra Copernicus programmet for å utvikle rutiner og verktøy rettet inn mot jordbruksfaglige problemstillinger, og gjennom dette bidra med informasjon og råd til relevante aktører (bønder, rådgivere, jordbruksnæringa, kommuner, politikere og utdanningsinstitusjoner). Prosjektet skal dermed bidra til å forbedre dagens dyrkningspraksis, som gjennom en bedre utnyttelse av innsatsfaktorer som gjødsel og fôr også bidrar til å redusere klimaavtrykket til det norske jordbruket.
Divisjon for matproduksjon og samfunn
Techgraze – Integrating Advanced Technologies for Enhanced Grazing Practices in Norway
In Norway, a declining grazing pressure and farm abandonment have led to undesirable ecological and socio-economic outcomes. The TechGraze project aims to address these challenges by integrating Virtual Fencing (VF) and Remote Sensing (RS) technologies to enhance pasture-based livestock management.
Divisjon for matproduksjon og samfunn
Techgraze – Forbedret beitepraksis i Norge med bruk av avansert teknologi
Redusert beitetrykk og nedleggelse av gårdsbruk har ført til uønskede økologiske og sosioøkonomiske konsekvenser. TechGraze-prosjektet tar sikte på å møte disse utfordringene ved å integrere Virtual Fencing (VF) og Remote Sensing (RS)-teknologier for å forbedre beitebasert husdyrforvaltning.