[論文レビュー] Plant Taxonomy Meets Plant Counting: A Fine-Grained, Taxonomic Dataset for Counting Hundreds of Plant Species

Jinyu Xu, Tianqi Hu+5 more|arXiv (Cornell University)|Mar 22, 2026

Smart Agriculture and AI被引用数 0

ひとこと要約

TPC–268 は、全分類階層を統合した初の大規模な植物数え上げベンチマークで、マルチスケール植物画像に対して taxonomy-aware・クラス無関係のカウントを可能にする。

ABSTRACT

Visually cataloging and quantifying the natural world requires pushing the boundaries of both detailed visual classification and counting at scale. Despite significant progress, particularly in crowd and traffic analysis, the fine-grained, taxonomy-aware plant counting remains underexplored in vision. In contrast to crowds, plants exhibit nonrigid morphologies and physical appearance variations across growth stages and environments. To fill this gap, we present TPC-268, the first plant counting benchmark incorporating plant taxonomy. Our dataset couples instance-level point annotations with Linnaean labels (kingdom -> species) and organ categories, enabling hierarchical reasoning and species-aware evaluation. The dataset features 10,000 images with 678,050 point annotations, includes 268 countable plant categories over 242 plant species in Plantae and Fungi, and spans observation scales from canopy-level remote sensing imagery to tissue-level microscopy. We follow the problem setting of class-agnostic counting (CAC), provide taxonomy-consistent, scale-aware data splits, and benchmark state-of-the-art regression- and detection-based CAC approaches. By capturing the biodiversity, hierarchical structure, and multi-scale nature of botanical and mycological taxa, TPC-268 provides a biologically grounded testbed to advance fine-grained class-agnostic counting. Dataset and code are available at https://github.com/tiny-smart/TPC-268.

研究の動機と目的

• 植物領域でのカウントを、従来の群衆/車両カウントとは異なる、細粒度かつ taxonomy-aware の問題として動機づける。
• 分類ラベルとマルチスケール画像を備えた大規模データセット、頑健なカウントを成長段階と環境を跨いで実現。
• リンネ分類体系（界から種まで）および器官カテゴリでインスタンスを注釈し、階層的推論を可能にする。
• taxonomy の一貫性を保つデータ分割を提供し、分類ギャップ内の未知種への一般化を厳密に評価する。

提案手法

• 植物のためのPseudo-class-agnostic counting (CAC) を定義し、カウントインスタンスを階層的分類に結びつけるデータセットを構築。
• 10,000 枚の画像を注釈し、678,050 ポイントと 30,000 個の境界ボックスを 242 種に跨って、268 個のカウント可能カテゴリーに編成。
• 各種ごとに 7 次元の分類ベクトルと補助的な器官メタデータを提供し、多段階の推論を可能にする。
• MILP ベースの手法でデータを分割し、分類独立性と訓練/検証/テストセット間の密度を均衡化。
• 新しいデータセット上で最先端の CAC アプローチ（回帰ベースおよび検出ベース）をベンチマークし、分類階層とスケール変動に対する一般化を研究。
• 生物学的構造からの帰納的バイアスを評価するため、カウントモデルに taxonomy 情報（テキストプロンプト）の組み込みを検討。

実験結果

リサーチクエスチョン

• RQ1 現行のクラス無関係カウント（CAC）モデルは、 taxonomy 階層を尊重した評価で、数百種の細粒度植物種へ一般化できるか。
• RQ2 分類と器官レベル情報の組み込みが、スケールと密度を跨いだカウント精度にどう影響するか。
• RQ3 回帰ベース対検出ベース CAC 手法の相対的強みは、密集かつ構造的に絡み合う植物画像でどれほどか。
• RQ4 .generic オブジェクトカウントデータセットから植物カウントへのクロスデータセット転移は性能を低下させるか。植物特有の taxonomy は頑健性を改善できるか。
• RQ5 分類的先験が、関連植物分類群間のゼロショットまたは少数ショット一般化をどの程度促進するか。

主な発見

Method	Venue & Year	Backbone	Shot	Val MAE	Val RMSE	Val R^2	Test MAE	Test RMSE	Test R^2
FamNet	CVPR’21	R50	3	28.87	52.51	0.58	30.43	65.62	0.62
BMNet+	CVPR’22	R50	3	29.33	77.78	0.47	27.78	57.25	0.50
C-DETR	ECCV’22	R50	3	22.66	77.51	0.75	22.68	57.97	0.74
SPDCNet	BMVC’22	R18	3	25.66	72.49	0.52	23.70	47.53	0.64
CountTR	BMVC’22	Hybrid	3	20.21	55.82	0.73	25.19	49.94	0.62
SAFECount	WACV’23	R18	3	22.57	63.65	0.64	25.70	52.30	0.58
LOCA	ICCV’23	R50	3	17.26	53.19	0.75	17.51	38.37	0.78
DAVE	CVPR’24	R50	3	16.47	52.87	0.76	17.61	40.06	0.75
CACViT	AAAI’24	ViT-B	3	16.63	42.49	0.82	22.04	41.79	0.73
CountGD	NeurIPS’24	SWin-B	3	18.32	54.55	0.74	19.52	50.51	0.61
TasselNetV4	ISPRS’26	ViT-B	3	13.20	43.93	0.83	22.95	51.36	0.60

• TPC–268 は 10,000 枚の画像、678,050 ポイント、30,000 個の境界ボックスを 242 種、268 カテゴリに跨いで提供。
• 分類学的知識を用いた分割（種の組織レベル）は、分類ギャップを跨ぐ厳密なゼロショットカウント評価を可能にする。
• このデータセットでは回帰ベースの CAC モデルが検出ベースのアプローチより概ね優れており、LOCA が規制者の中で最良のテスト性能を達成。
• 分類情報をテキストプロンプトまたは階層的分類として組み込むことは、生物学的構造からの実践的な帰納バイアスを示す利点がある。
• クロスデータセット転移は、FSC–147 で訓練し TPC–268 で評価すると植物カウントの難易度が上がることを示唆する一方、TPC–268 で訓練すると FSC–147 へより良く一般化する傾向がある。
• 細粒度の分析では、カウントの難易度は分類学的および形態的な複雑さ（例：Brassicaceae と Poaceae）とスケール（微視的 vs 大規模）的要因に左右され、データ量だけでは説明できないことが示される。