Video Experimental Relacionado
Updated: Jan 8, 2026
Combining Eye-tracking Data with an Analysis of Video Content from Free-viewing a Video of a Walk in an Urban Park Environment
Published on: May 7, 2019
La bendición de Depth Anything: Un enfoque casi no supervisado para la segmentación de cultivos con etiquetado pseudo
Songliang Cao1,2,3, Binghui Xu1,2,3, Wei Zhou1
1National Key Laboratory of Multispectral Information Intelligent Processing Technology, School of Artificial Intelligence and Automation, Huazhong University of Science and Technology, Wuhan, 430074, China.
La segmentación de cultivos informada por profundidad (DepthCropSeg) ofrece un método casi no supervisado para la segmentación de cultivos, lo que reduce significativamente la necesidad de anotaciones manuales. Este enfoque logra un rendimiento comparable a los métodos totalmente supervisados, avanzando en la visión por computadora agrícola.
Área de la Ciencia:
- Visión por Computadora Agrícola
- Aprendizaje Profundo para Teledetección
Sus antecedentes:
- La segmentación de cultivos es vital para el monitoreo agrícola y la estimación del rendimiento.
- Los modelos de aprendizaje profundo requieren anotaciones manuales extensas, lo que aumenta los costos de mano de obra y tiempo.
Objetivo del estudio:
- Desarrollar un método de segmentación de cultivos casi no supervisado utilizando información de profundidad.
- Reducir la dependencia de las anotaciones manuales a nivel de píxel en el análisis de imágenes agrícolas.
Principales métodos:
- Se aprovechó Depth Anything V2, un modelo de base de visión, para generar máscaras de cultivo pseudo.
- Se compiló y examinó un conjunto de datos de 17.199 imágenes, seleccionando 1378 con máscaras confiables.
- Se empleó autoentrenamiento de dos etapas informado por profundidad y posprocesamiento en un modelo de segmentación semántica de alto rendimiento.
Principales resultados:
- Se logró un rendimiento de segmentación de cultivos (86,91%) comparable al de los modelos totalmente supervisados (87,10%).
- Se demostró robustez en escenarios de campo, laboratorio y UAV.
- Se implementó con éxito un enfoque casi no supervisado para la segmentación de cultivos.
Conclusiones:
- DepthCropSeg proporciona una alternativa viable a los métodos totalmente supervisados, lo que reduce significativamente el esfuerzo de anotación.
- Este método allana el camino para una segmentación de cultivos más accesible y eficiente en la agricultura.
- El enfoque ofrece un rendimiento de supervisión casi total con una mínima intervención manual.
