该研究总结了首个 Agriculture-Vision Challenge 中，57 个参赛团队在使用 21,061 张农业卫星图像数据集进行农业模式识别和语义分割任务的研究方法和结果。

Apr, 2020

本文提出应用图像识别技术解决农业领域的感知问题。作者提供了使用无人机采集并进行密集标注的农作物和杂草图像数据集以及用于测试的多个感知任务基准，包括语义分割、植物的全景分割、植物和叶子的检测、层次全景分割。

Jun, 2023

利用自由可用的卫星图像，探索可用于葡萄园分割问题的主要机器学习方法，并评估各种广泛使用的机器学习技术的有效性，为特定场景选择最合适的模型提供指导。

Nov, 2023

CVPR 2024 的农业愿景挑战旨在利用语义分割模型为多模态卫星图像的感兴趣区域生成像素级别的语义分割标签。我们提出了一种镶嵌数据增强和稀有类别采样策略，以解决农业视觉数据集中的严重类别不平衡问题。同时，我们采用自适应类别权重方案来抑制常见类别的影响，并增加稀有类别的贡献。此外，我们还提出了一种概率后处理方法，以增加稀有类别的预测值。我们的方法在测试集上获得了 0.547 的平均交并比（mIoU）得分，在该挑战中获得了第二名。

Jun, 2024

通过自我监督学习从原始农业图像数据中学习有意义的特征表示，我们提出了一种利用 SimCLR 对大规模未注释数据集上进行预训练的轻量级框架，该框架具有较强的适用性，可以解决各种农业视觉任务，并降低对注释数据的依赖，从而提高成本效益和可用性，推动农业中计算机视觉技术的广泛应用。

Mar, 2024

本研究利用来自 Sentinel-2 卫星图像的各种光谱波段组合，采用深度学习和基于像素的机器学习方法，对熏衣草田进行精准农业的精确分割，得出了 Dice 系数为 0.8324 的 U-Net 结构的最终模型，同时，我们的研究还强调了像素方法和红绿蓝光谱波段组合在这一任务中的意外功效。

Nov, 2023

为精准农业中的计算机视觉任务提供包含语义标签的 12,000 张图像数据集，通过在合适的光照条件下模拟大豆作物和杂草的成长阶段、不同的土壤条件和随机的田地布局，将真实世界纹理和环境因素融入到程序生成过程中，提高合成数据的逼真度和适用性，从而有效地增加了农业机器学习模型的训练数据。

Mar, 2024

本研究致力于解决遥感图像 open-set 场景下的语义分割技术的问题，开发出一种新的方法，并对其进行了评估，得出了与封闭集方法相同数据集相比具有竞争力的结果

Jan, 2020

通过使用机器操作结合时间跟踪的 Sentinel-2 图像生成高质量的数据集，并应用半监督分类、监督和自监督深度学习方法自动检测生产性农田，以解决传统手动识别的耗时和错误。结果表明在高置信正样本学习中的高准确性，并在没有完整标注数据集情况下使用对比学习等方法获得最佳性能。

May, 2023

本研究针对农业应用中的图像分割问题，通过结合 RGB 和 NDVI 作为输入，比较了不同的融合方法在作物行检测中的效果，研究发现，传统的边缘检测和阈值法等经典分割方法在需要精确的前景 - 背景分离任务中具有竞争力，融合策略中的后期融合表现为最有效的方法，在不同的分割场景中展现出卓越的适应性和效果。

Jul, 2023