CVPRApr, 2022

从合成的体外大豆荚数据集迁移学习，用于原位分割大豆枝上的豆荚

PDF
TL;DR该研究提出了一种从合成数据集进行迁移学习的方法，用于解决现实世界中大规模农业数据集获取困难的问题，并成功地将其应用于大豆枝上豆荚的图像分割。
soybean podstransfer learningin-situ segmentationsynthetic datasetinstance segmentation
发现论文，激发创造
  • 使用合成数据进行深层次叶子分割

    本研究提出了一种基于机器学习和深度学习的叶子实例分割方法，通过使用产生的合成图像进行数据增强，成功地将深度学习网络训练到了 90% 的叶子分割得分，在叶子分割领域取得了领先的成果。

    Jul, 2018

  • 从幼苗到收获：利用实例分割技术进行大豆作物中的杂草检测的 GrowingSoy 数据集

    通过实例分割技术，我们使用一个全面的数据集训练神经网络，以检测杂草和大豆植物的生长阶段，并提供了 6 个先进模型，实现了在所有植物类别中 79.1% 的平均精度和 69.2% 的平均召回率。

    Jun, 2024

  • Eff-3DPSeg: 利用注释高效的点云实现 3D 器官级植物枝杈分割

    提出了一种基于弱监督学习的 3D 植物幼芽分割框架 Eff-3DPSeg，该框架使用深度学习和点云技术，可以在有限标注点的情况下官能植物器官实现高质量的分段，为植物育种提供了一种有效的方法。

    Dec, 2022

  • 跨物种基于图像的植物表型识别中可扩展的学习方法

    本研究提出使用合成数据进行植物的实例分割，介绍了一种用于弥合种类差距的通用植物生成器 UPGen，研究了多种使用合成数据训练模型的方法，取得了比使用公开数据传递学习普遍惯例更好的效果，并在 CVPPP Leaf Segmentation Challenge 竞赛中取得新的最高水平。此研究适用于利用合成数据自动化测量表型特征。

    Mar, 2020

  • SoybeanNet：基于 Transformer 的卷积神经网络用于无人机（UAV）图像中的大豆果荚计数

    利用来自美国密歇根州大豆田的无人机图像，本文提出了一种准确计数大豆荚的先驱性工作，使用强大的变换器骨干网络来进行大豆荚的同时计数和定位，并提供了新的大豆荚数据集，为未来的大豆荚计数和相关领域的研究提供了有价值的资源。

    Oct, 2023

  • 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

  • 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

  • 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

  • 用于小麦穗分割样本合成的改进 CycleGAN

    使用深度学习模型结合生成对抗网络填补模拟数据与真实数据之间的差距，开发了逼真的、用于小麦苞片分割的合成数据集，并利用该数据集训练深度学习模型，取得了高达 83.4% 的 Dice 分数在内部数据集以及 79.6% 和 83.6% 的 Dice 分数在两个外部全局小麦苞头检测数据集上。该方法不仅适用于小麦苞片分割，还可以推广到其他作物类型或者具有重复、密集模式的图像，例如细胞成像。

    Feb, 2024

  • 可转移的半监督语义分割

    本文提出一种半监督学习的语义分割模型，该模型可以将从像素级别注释的强类别中学到的分割知识转移到只有图像级别注释的弱类别中，从而显著扩大了深度分割模型在实际应用中的适用范围。该模型由两个互补且可学习的部分组成：标签转移网络（L-Net）和预测转移网络（P-Net）。通过将这两个部分进行整合，可以在 PASCAL VOC 2012 数据集上实现与完全监督基线相近的 96.5％和 89.4％的性能，而只使用 50％和 0％的像素级别注释类别。

    Nov, 2017