Apr, 2023

三江源地区植物检测基准

PDF
TL;DR本文构建了植物检测的大规模数据集，使用窗口自注意力模块的目标检测网络 PlantDet，有效提高小目标的检测效率，达到 88.1% 的精度和 77.6% 的平均精度（mAP），旨在为进一步的植物研究提供数据和代码。
plant detectionthree-river-source regiondatasetobject detection networkbotanical research
发现论文，激发创造
  • 植物害虫鉴定及实用鉴定框架开发研究

    农业生产需要实用且稳健的自动化诊断系统，本文研究了植物害虫图像识别中的三个关键问题，并利用 334K 张图像和 20 种害虫，研发了一个准确、稳健和快速的植物害虫识别框架，其中包括 ROI 检测和基于卷积神经网络的识别，表现出了高效的性能。

    Jul, 2024

  • TERRA-REF 的高分辨率、多传感器植物感知公共领域数据对计算机视觉社区有何贡献？

    TERRA-REF 项目产生了一项开放式的参考数据集，其中包括高分辨率的传感器数据和超过 60 种传统的植物表型测量，可以用于训练新的机器学习模型。该研究旨在向计算机视觉和机器学习界提供有关该数据及其潜在应用的概述。

    Jul, 2021

  • 远程感知图像精细物体识别的多源区域注意力网络

    该论文提出了一种新的方法，利用多源数据分析和注意力机制使得深度网络可以在小目标类别和数据不足的情况下，在街树分类问题中取得了较大的进展。

    Jan, 2019

  • 面向非约束遥感图像的多类目标检测

    本文提出了一种新方法，即一个新的联合图像级联和特征金字塔网络，用于在遥感图像中提取多尺度的强和弱语义特征，并进行定向边界框的检测和旋转非极大值抑制，提高了模型的性能。同时，该模型还具有对图像和对象尺度和方向的鲁棒性，可在多类物体检测应用程序中部署。

    Jul, 2018

  • 野外植物品种的细粒度视觉分类：以物体检测作为加强注意力的手段

    本研究提出了一种基于物体检测的自下而上植物识别方法，该方法可以通过检测植物器官并融合器官级别物种分类器的预测来识别植物物种，同时我们还创建了一个公开的长尾分布数据集来评估此方法。

    Jun, 2021

  • 弱监督实例注意力用于多源细粒度目标识别及其在树种分类中的应用

    本文提出了一种利用深度学习，多源影像识别中基于特征融合的对象识别方法，其中包括多源影像处理、单源深度学习和弱监督学习，并比较了各种方法的性能，结果表明本文所提出的特征融合方法提升了 5.7% 的识别准确度。

    May, 2021

  • MutDet: 为遥感目标检测相互优化的预训练

    提出了一种远程感知物体检测的新型相互优化预训练框架 MutDet，通过相互增强模块、对比对齐损失和辅助孪生头部，解决了实例在特征提取和对齐过程中的差异性，显著提升了迁移性能。

    Jul, 2024

  • 植物细节放大：对叶片、茎和脉络实例的细粒度分析

    本研究旨在提高农业精准机器人对植物的理解，通过开发一个模型来提取包括叶子、茎和叶脉在内的细粒度表型信息，并引入了一种适应于关键点引导多段线的指标 POKS。

    Dec, 2023

  • 基于深度学习目标检测的马铃薯作物应激识别

    通过远程传感和深度学习技术，利用针对农业图像分析的新算法进行作物可视化识别，通过检测马铃薯的深度神经网络来区分健康的和有压力的作物，实现了对自然条件下航拍图像中马铃薯作物压力的评估和识别。

    Jun, 2021

  • 通过自适应数据采集和基于 NeREF 的反射校正生成高质量的三维植物表型数据以促进高效植物表型研究

    该研究提出了一种使用多传感器机器人平台的高质量 3D 多光谱点云（3D-MPC）的方法，其中包括自适应数据采集和反射率校正，以便在自然光条件下为植物进行表型分析。

    May, 2023