CVPR 2024 的农业愿景挑战旨在利用语义分割模型为多模态卫星图像的感兴趣区域生成像素级别的语义分割标签。我们提出了一种镶嵌数据增强和稀有类别采样策略，以解决农业视觉数据集中的严重类别不平衡问题。同时，我们采用自适应类别权重方案来抑制常见类别的影响，并增加稀有类别的贡献。此外，我们还提出了一种概率后处理方法，以增加稀有类别的预测值。我们的方法在测试集上获得了 0.547 的平均交并比（mIoU）得分，在该挑战中获得了第二名。

Jun, 2024

该研究总结了首个 Agriculture-Vision Challenge 中，57 个参赛团队在使用 21,061 张农业卫星图像数据集进行农业模式识别和语义分割任务的研究方法和结果。

Apr, 2020

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

通过自我监督学习从原始农业图像数据中学习有意义的特征表示，我们提出了一种利用 SimCLR 对大规模未注释数据集上进行预训练的轻量级框架，该框架具有较强的适用性，可以解决各种农业视觉任务，并降低对注释数据的依赖，从而提高成本效益和可用性，推动农业中计算机视觉技术的广泛应用。

Mar, 2024

基于远程感知数据的直方图，视觉变换器在文献中表现得较少，因此测试了卷积视觉变换器（CvT）来评估当前在许多其他视觉任务中取得最新成果的视觉变换器。CvT 结合了卷积的优势和变换器的动态注意力和全局上下文融合的优势。CvT 的表现不如 XGBoost 和 CNN 等广泛测试的方法，但显示了变换器提升产量预测的潜力。

Feb, 2024

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

该研究提出了一种新的框架，将两种不同的卷积神经网络结构相结合，以在模拟环境中同时完成作物检测和收获（机器人操控）任务。利用机器视觉实现作物自动识别，提高收获效率，但仍面临挑战。通过随机旋转、裁剪、亮度和对比度调整来生成增强图像以进行数据集生成。使用一次性算法框架进行作物定位，以及使用视觉几何组模型来确定机器人操控的抓取位置。

Jan, 2024

通过远程遥感和人工智能技术，本文介绍了一种用于大规模病害严重程度评分的自动化机器学习框架，结合了深度标签分布学习、特殊损失函数和定制模型架构的 SugarViT 模型。同时，本框架还可以适用于各种基于图像的分类和回归任务。

Nov, 2023

本文介绍了我们参与 CVPR2022 AVA 挑战赛的技术细节，包括数据增强和模型选择、训练策略、和整合不同分割框架等方面，实验结果表明我们的方法在 AVA 测试集上取得了显著的效果。

Jun, 2022

通过数据分析、选择强基线模型、迁移学习、数据增强和测试时间增强等综合方法，我们在 ICCV/CVPPA2023 深度养分缺乏挑战赛中获得第二名，以高分辨率图像分类为主要研究内容。

Sep, 2023