CVPRApr, 2022

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

PDF
TL;DR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。
发现论文，激发创造
  • 使用自动化数据和合成图像进行半监督草干物质估计

    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。

    Oct, 2021

  • 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

  • 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

  • DSR：面向无人机图像超分辨率的研究

    本研究提出了一种无人机图像数据集，针对不同高度的低分辨率和高分辨率图像，通过对现有网络的微调和高度感知机制的引入，使得在新的领域中的超分辨率任务的性能得到提升。

    Aug, 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

  • 农业中多样数据集集成学习改进作物与杂草检测

    现代农业依靠特定场地管理实践，需要准确检测、定位和量化农作物和杂草，可以通过深度学习技术实现。本研究提出了一种新颖的集成框架，利用不同的农作物和杂草模型以及可训练的元架构来结合它们的输出，从而在未知测试数据上显著提高了甘蓝作物和科冷草杂草的性能。经过消融研究的验证，证明了我们提出的模型的有效性。此外，我们还提出了两个用于比较的新颖数据集。

    Oct, 2023

  • 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

  • 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

  • 基于无人机和机器学习的卫星驱动植被指数精细化农业应用优化

    本文提出一种基于深度学习技术的卫星图像细化框架，利用多光谱无人机获取的高分辨率图像信息作为训练数据，可在特定农业领域（如葡萄园生长）中优化卫星驱动的归一化植被指数（NDVI）图，生成更准确的 3 类葡萄园乔木优势图，使管理者能更好地描述和监测农作物状态和病害。

    Apr, 2020

  • 密度农作物引导的半监督航空图像目标检测

    通过密度裁剪引导的半监督检测器改进了对航空图像中小物体的检测效果。在训练过程中，使用已标记和未标记图像中识别出的物体簇的图像作为训练集的增强，提高了对小物体的检测和为未标记图像生成的伪标签质量。在推理过程中，该检测器不仅能够检测感兴趣的物体，还能够检测到密度较高的小物体区域，结合输入图像和图像裁剪的检测结果，从而实现更准确的物体预测，特别是对于小物体。

    Aug, 2023