ICCVOct, 2021

使用自动化数据和合成图像进行半监督草干物质估计

PDF
TL;DR本研究提出了一种利用计算机视觉中的深度学习算法，通过少量已标注数据及近似标注数据来监测牧草干草生物量的低监督方法，其包括合成数据生成算法、自动标注数据处理过程和强健的回归网络。该方法在爱尔兰采集的牧草质量估计数据集上进行了设计，还对丹麦发布的草艹生物量估计数据集报告了最先进的结果。
dry herbage biomasscomputer visiondeep learninglow supervisionregression network
发现论文，激发创造
  • 无监督领域自适应和超分辨率在无人机图像上的应用，用于自主干草生物量估计

    本研究基于深度学习方法和无人机影像实现草地草量和成分的精确估算，旨在减少对生物多样性和环境的过度施肥影响，并提高奶制品生产效率。

    Apr, 2022

  • 使用深度神经网络和稀疏地面真值从图像中估算质量

    本文研究利用半监督深度学习和图像处理技术，对农业收获量进行精准预测，成功捕获细杆随机叠放的复杂密度物理特性，并优于传统预测方法，该方法具有普遍适用性。

    Aug, 2019

  • 边缘上的高能效不确定性感知生物质成分预测

    通过应用滤波修剪减少能量需求，该论文研究了草木混合物、草料探测、深度学习算法、与能量消耗相关的过滤修剪以及能源节约的方法，并在两个数据集上评估了该算法。

    Apr, 2024

  • 半监督杂草检测用于快速部署和提高效率

    该论文介绍了一种半监督杂草检测的新方法，通过利用计算机视觉和深度学习进行自动化杂草检测，该方法在农业领域中具有较好的应用潜力和实际可行性。

    May, 2024

  • 半自监督域适应：利用有限标注数据开发小麦穗分割的深度学习模型

    利用深度学习方法，通过半自我监督域适应技术在精确农业领域实现农作物图像的自动化标注，以及在不同环境条件下适应性强的解决方案，以推动先进技术在农业领域的广泛应用。

    May, 2024

  • 无监督预训练用于 3D 叶片实例分割

    通过自主训练的方法，该论文提出了一个新的用于植物表型分析的网络骨干初始化方法，并引入了一种针对叶片实例分割的新型自动后处理方法，实验证明我们的方法在所有调研场景中均提升了性能。

    Jan, 2024

  • 使用合成森林图像对深度学习算法进行树木检测训练

    本研究探讨了在森林环境中基于视觉的分割是自主林业操作（如伐树和前进）的关键功能之一。在本研究中，我们提出使用模拟森林环境来自动生成具有像素级注释的 43k 真实合成图像，并将其用于训练深度学习算法来进行树木检测。我们报告了使用这些合成数据集训练的模型在真实数据集上的有效性，证明了模型的迁移学习能力。

    Oct, 2022

  • 使用深度学习对遥感影像植被进行语义分割

    本文介绍了一种利用机器学习技术，结合公开遥感数据，使用卷积神经网络模型实现不同类植被的分离的方法，旨在解决处理遥感数据的效率问题。

    Sep, 2022

  • 利用标签插值和蒙特卡罗裁剪提高植被覆盖预测的数据效率

    本文介绍了利用自动摄像系统和深度学习技术对植物群落组成进行快速、准确分析的方法，并提出了一种名为 Monte-Carlo Cropping 的新方法来处理高分辨率图像以及处理大量没有标签的图像数据。经过评估发现，该方法可以提高物种、群落和分割度量的精度。

    Jul, 2023

  • 基于卫星数据的肯尼亚北部牲畜饲料状况预测

    利用计算机视觉方法建立《第一批卫星图像 -- 牧草质量数据集》，并在基于指数的干旱保险领域提出了应用该数据集的构想，通过协作基准测试工具的结果，该方法在肯尼亚北部的保险计划中显著优于现有技术，有望对随着气候变化而日益恶化的游牧民族对抗干旱的形势产生实质性的改善。

    Apr, 2020