KD-SSGD:知识蒸增强的半监督发芽检测检测
Chengcheng Chen1, Di Luo1, Tiantian Pang2
1School of Computer Science, Shenyang Aerospace University, Shenyang, China.
Frontiers in plant science
|December 24, 2025
概括
这项研究引入了一种新的半监督框架,用于检测种子发芽,显著提高精度,最小的标记数据. 该方法为精准农业提供了高效的解决方案,减少了对大量数据注释的需求.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 精准农业需要精确的种子发芽检测,用于作物监测和品种选择.
- 完全监督的方法需要广泛的注释数据集,这在农业环境中是昂贵和耗时的.
研究的目的:
- 为种子发芽检测开发一个高效的半监督学习框架,尽量减少对标记数据的依赖.
- 引入一种新的知识蒸方法,使得无需预先培训的教师模型的端到端培训成为可能.
主要方法:
- 一个包含轻量级蒸学生分支的教师-学生架构.
- 关键模块包括用于伪标签优化的权重盒融合 (WBF),用于知识转移的特征蒸损失 (FDL) 和用于培训稳定性的分支适应权重 (BAW).
主要成果:
- 在Maise-Germ数据集中仅使用1%的标记数据实现了47.0%的mAP,超过了现有的半监督方法.
- 在三种谷物作物数据集上表现出强的表现,mAP在10%的标记数据上达到76.1%.
- 在有限的监督下展示了强大的跨作物概括能力和有效的知识转移.
结论:
- 该KD-SSGD框架提供高质量的伪标签和稳定,高精度检测与最小的标签数据.
- 这种方法为智能农业感知和自动作物监测提供了高效和可扩展的解决方案.
- 该方法显著降低了注释负担,使先进的计算机视觉技术更容易用于农业应用.
