该研究旨在开发一种自动化的谷物外观检测系统（AI4GrainInsp），通过分析谷物颗粒的独特特征，将谷物外观检测作为一种普遍问题：异常检测（AD），并提出了一个名为 AD-GAI 的异常检测模型，该模型仅使用正常样本进行训练，在推断过程中可以识别异常。此外，研究团队采集了包括 22 万张小麦和玉米颗粒的高质量图像，通过大量实验证明，AD-GAI 相对于先进的 AD 方法取得了可观的性能，并且 AI4GrainInsp 在检测效率方面超过了人类专家，并提高了 20 倍的速度。数据集、代码和模型将在该 https 网址上发布。

Nov, 2023

我们提出了一个名为 GrainSet 的基于机器视觉的数据库，用于谷物颗粒的视觉质量检测，其中包含超过 350K 个带有专家注释的单颗粒图像。我们还采用了常用的深度学习模型作为基准提供分类结果，相信我们的 GrainSet 将促进谷物质量检测的辅助、谷物存储和贸易的指导以及智能农业应用的发展。

Nov, 2023

本篇文章对细粒度图像分析的最新研究进展进行了系统综述，包括深度学习的应用、细粒度图像识别和检索、公开基准数据集和相关领域的应用，最后提出了需要进一步探索的研究方向和开放问题。

Nov, 2021

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

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

本研究对最近深度学习在细粒度图像分析技术上的发展进行了系统的调查和总结，主要涵盖了细粒度图像识别、细粒度图像检索和细粒度图像生成等三个主要类别及其相关应用和公共基准数据集。另外，还介绍了一些需要进一步探索的方向和开放性问题。

Jul, 2019

通过特征级别的数据增强和协方差预测网络，我们提出了一种改善细粒度图像识别的方法，可以有效区分细分类别，提高泛化性能。

Sep, 2023

该研究提出了 FoodX-251 数据集，包含 251 个细分食品类别和 158,000 张图片，可用于评估计算机视觉模型以识别不同食品之间的视觉相似性。我们为 40,000 张图像提供了经过人工验证的标签，用作验证和测试。这个数据集已经被用于组织 Fine-Grained Visual Categorization 工作坊中的 iFood-2019 挑战，并可供下载。

Jul, 2019

介绍了一种名为 3DGrocery100 的大规模食品数据集，用于细粒度的食品目标识别，包括 100 个类别，由 87,898 个 3D 点云和 10,755 个 RGB-D 单视图图像创建而成，并在 6 个最新的 3D 点云分类模型以及少样本学习和持续学习的分类任务中进行了测试。

Feb, 2024

本文提出一种称为 CEREALS 的主动学习策略，通过自动选择未标记图像集中的部分区域，减少了人类标注的努力，同时最大化语义图像分割方法的性能。实验表明，CEREALS 可以将注释工作量降低到 17%，并保持使用 Cityscapes 完全注释训练集训练的模型 95% 的平均交集联合计算（mIoU）的性能。

Oct, 2018