任何深度的祝福:一种几乎不受监督的作物细分方法,具有深度信息的伪标签
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.
Plant phenomics (Washington, D.C.)
|December 19, 2025
概括
深度信息化作物细分 (DepthCropSeg) 提供了一种几乎没有监督的作物细分方法,大大减少了对手工注释的需求. 这种方法实现了与完全监督的方法可比的性能,推进了农业计算机视觉.
科学领域:
- 农业计算机视觉 农业计算机视觉
- 深度学习用于远程传感.
背景情况:
- 农作物细分对于农业监测和产量估计至关重要.
- 深度学习模型需要大量的手动注释,增加劳动力和时间成本.
研究的目的:
- 使用深度信息开发一种几乎不受监督的作物细分方法.
- 在农业图像分析中减少对手动像素级注释的依赖.
主要方法:
- 杆深度任何V2,一个视觉基础模型,生成伪作物面具.
- 编译和选了17,199张图像的数据集,用可靠的面具选择了1378张.
- 在高性能语义细分模型上采用深度信息的两阶段自我培训和后处理.
主要成果:
- 实现了与完全监督模型 (87.10%) 相比的作物细分性能 (86.91%).
- 在现场,实验室和无人机场景中表现出强大的稳定性.
- 成功实施了一种几乎没有监督的作物细分方法.
结论:
- DepthCropSeg为完全监督的方法提供了一个可行的替代方案,大大减少了注释工作.
- 这种方法为农业中更容易获得和更有效的作物细分铺平了道路.
- 这种方法提供了几乎完全的监督性能,最小的手动输入.
