Nov, 2020

EDEN: 封闭式花园场景的多模态合成数据集

HTML
PDF
TL;DR为了促进机器学习方法在农业和园艺等自然应用领域的发展，我们提出了多模式合成的封闭花园场景数据集（EDEN），该数据集包括来自100多个花园模型的超过300K张图像，并注释了各种低/高级别视觉模态，包括语义分割、深度、表面法线、内在颜色和光流，实验结果表明，我们的数据集的深度网络预训练对于计算机视觉中的两个重要任务（语义分割和单眼深度预测）具有积极的影响。
发现论文，激发创造
  • Scenic: 一种情景描述和场景生成语言

    本文提出了一种新的概率编程语言，用于设计和分析感知系统，特别是基于机器学习的系统，在处理罕见事件、测试性能和调试故障方面能够发挥作用；我们将其称为Scenic，并将其应用于自动驾驶汽车和机器人等系统中，以描述场景。

    Sep, 2018

  • 边缘深度学习：利用卷积神经网络从卫星图像中提取地块边界

    本文提出了一种利用卫星图像进行农田边界提取的深度学习方法，将该问题转化为多任务语义分割问题，综合考虑像素属于农田、是否是边界以及距离最近边界的距离等三个标签，从而实现准确、可扩展的农田边界提取，该方法在解决现实农业大规模数据采集问题中具有潜在的应用前景。

    Oct, 2019

  • Agriculture-Vision: 农业模式分析大型航空图像数据库

    本文介绍了一个名为Agriculture-Vision的大规模农业航空图像数据集，通过对该数据集进行语义分割的实验，证明了农业在计算机视觉领域中仍面临着许多挑战。

    Jan, 2020

  • 农业航空图像语义分割中的增强不变性和自适应采样

    该论文探讨了农业航空图像的语义分割问题，提出了基于数据增强和采样方法的解决方案，实验证明该方法能够提高现有方法的性能。

    Apr, 2022

  • PhenoBench -- 农业领域语义图像解释的大型数据集和基准测试

    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

  • 通用多模态Transformer满足遥感语义分割

    在遥感语义分割领域中，本研究调查了PerceiverIO等普适性多模态网络在处理遥感图像中的物体尺度变化和车辆检测方面的表现，并提出一种空间和体积学习组件来解决这些问题。通过广泛的实验证明，该方法在与UNetFormer和SwinUNet等专用架构相比具有竞争力的结果，显示出最小化网络架构工程且性能不受明显影响的潜力。

    Jul, 2023

  • 农业人工智能：基于Sentinel-2影像的作物分类的语义分割方法比较

    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

  • 为基于视觉的农业应用生成多样化农业数据

    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

  • 迁移学习在少样本水果分割中的应用

    我们提出了一种为农田水果开发的少样本语义分割框架，采用迁移学习策略，在没有公开标记数据的情况下实现了水果在农田中的准确语义分割。

    May, 2024

  • 自动融合多模态深度学习用于植物识别

    利用多模态深度学习方法，将植物的花朵、叶子、水果和茎的图像整合成一个连贯的模型，实现了对PlantCLEF2015数据集956个类别的植物进行自动分类，准确率达到83.48%，超过了现有方法11.07%的性能。

    Jun, 2024