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

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

为精准农业中的计算机视觉任务提供包含语义标签的 12,000 张图像数据集，通过在合适的光照条件下模拟大豆作物和杂草的成长阶段、不同的土壤条件和随机的田地布局，将真实世界纹理和环境因素融入到程序生成过程中，提高合成数据的逼真度和适用性，从而有效地增加了农业机器学习模型的训练数据。

Mar, 2024

本文介绍了通过使用合成数据集和虚拟场景来加速自主导航系统的开发的方法及其在农业领域的应用。

Jun, 2023

本文综述了深度植物表型技术在精准农业领域的最新研究进展，阐述其在作物管理中的作用，以及如何利用数据实现有效监测。

Jun, 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

农业中的全景分割是一种先进的计算机视觉技术，提供了对农田组成的全面理解，旨在应对农业中的各种任务，如作物和杂草分割、植物全景分割和叶子实例分割。本研究提出了一种方法，将实例分割模型（SAM）的有效性与目标检测模型（DINO 和 YOLO-v8）的输入相结合，以解决 PhenoBench 数据集上作物和杂草层次全景分割的挑战。在比赛的评估指标下，我们的最佳模型获得了 81.33 的 PQ + 得分。

Sep, 2023

农业生产在未来几十年面临严峻挑战，包括气候变化和可持续性需求，通过机器人进行无化学除草的领域管理、无人机监测农作物以及培育新型更具适应性的作物品种有助于应对这些挑战。本文提出了自动化精细的器官级几何分析用于精准表型分析的问题。通过使用高分辨率无人机图像获取的新数据集，我们计算出重叠多视角的点云，并为植物、叶片和重要特征点（尖端和基部）提供详细准确的点级标签。此外，我们还提供了德国联邦植物品种办公室专家对真实植物进行的表型特征测量，以便不仅在分割和关键点检测上评估新方法，还可直接评估下游任务。提供的带标签点云可以进行细粒度植物分析，并支持自动表型分析方法的进一步发展，同时也为表面重建、点云补全和点云的语义解释提供了更多研究可能性。

Dec, 2023

通过使用机器操作结合时间跟踪的 Sentinel-2 图像生成高质量的数据集，并应用半监督分类、监督和自监督深度学习方法自动检测生产性农田，以解决传统手动识别的耗时和错误。结果表明在高置信正样本学习中的高准确性，并在没有完整标注数据集情况下使用对比学习等方法获得最佳性能。

May, 2023

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