通过植物MAE对植物器官进行自动3D细分:一种自我监督的学习框架
Kai Xie1, Chenxi Cui1, Xue Jiang1
1College of Informatics, Huazhong Agricultural University, Wuhan 430070, China.
Plant phenomics (Washington, D.C.)
|December 19, 2025
概括
本研究介绍了Plant-MAE,这是一个用于3D植物器官细分的新型自主监督学习框架. 植物MAE通过减少注释需求和提高细分植物点云数据的准确性来显著改善自动化植物表型.
科学领域:
- * 计算生物学 计算生物学
- * * 农业技术 农业技术
- * * 计算机视觉 计算机视觉
背景情况:
- *精确的植物器官3D细分对于植物表型化至关重要.
- *目前的方法通常依赖于完全监督的学习,需要对点云数据进行广泛的手动注释.
- * 自主监督学习为减少3D点云分析中的注释负担提供了一个有希望的替代方案.
研究的目的:
- * 开发一种新的自主监督学习框架,即Plant-MAE,用于自动化3D植物器官细分.
- * 为了应对在表型化中注释植物点云数据的挑战.
- * 提高提取器官水平表型特征的效率和准确性.
主要方法:
- * 开发了Plant-MAE框架,利用自主监督学习进行点云细分.
- * 集成基于内核的点卷积嵌入模块.
- * 实现了带有注意力机制的多角度特征提取块 (MAFEB).
主要成果:
- * 工厂MAE以平均精度 (92.08%),召回 (88.50%),F1评分 (89.80%) 和IoU (84.03%) 实现了具有竞争力的性能.
- *性能优于PointNet++和Point Transformer等先进的深度学习模型,主要指标得到了显著改进.
- *只需要一半的培训数据来对Pheno4D数据集进行微调,以获得与现有方法可比的结果.
结论:
- * 植物MAE证明了自主监督学习在表型化中的3D植物器官细分方面的有效性.
- * 该框架提供了一个可行的解决方案,以减少植物科学中的数据注释要求.
- * 这项工作为作物表型参数估计提供了技术进步,支持智能农业的发展.
