Nov, 2023

能否识别作物？通过卫星图像生成精准农业的作物类型地图时，量化语义分割基础模型的零样本性能

PDF
TL;DR全球气候变化对农业产生越来越大的影响，因此为了解决粮食生产中日益增长的挑战，最前沿的管理策略，如精确农业，为农民和决策者提供丰富而实用的信息，以提高农业实践的效率和可持续性。本文研究了 Meta AI 公司的 Segment Anything Model (SAM) 在作物地图预测任务中的能力，并提出使用聚类一致性指标评估 SAM 在分割卫星图像和生成作物类型地图中的零样本性能。尽管在零样本设置下直接进行作物类型映射具有挑战性，但实验显示 SAM 在迅速准确地勾勒卫星图像中的农田方面具有潜力，为后续作物分类奠定了基础。本文试图突出说明像 SAM 这样的最新图像分割模型在作物类型映射和相关农业行业的特定需求方面的应用案例，为精密农业实践提供了实现自动化、高效和具有成本效益的数据产品的潜在途径。
climate changeprecision agriculturecrop-type mapsmeta ai's segment anything model (sam)satellite imagery
发现论文，激发创造
  • 遥感应用中的分段任意物模型 (SAM)：从零到一次拍摄

    本研究旨在将 Meta AI 的创新图像分割模型 Segment Anything Model（SAM）应用于遥感图像分析领域，特别是处理来自不同地理背景的航空和轨道影像，实现 SAM 在遥感影像处理中的潜力。

    Jun, 2023

  • 基于大视觉模型的自引导远感图像少样本语义分割

    本研究介绍了一种用于自动化少样本语义分割的结构化框架，利用 Segment Anything Model（SAM）模型，并借助先前引导的掩模生成粗略像素级提示，以获得更高效的语义可辨别分割结果，实验证明该方法在 DLRSD 数据集上优于其他可用的少样本方法。

    Nov, 2023

  • 农业人工智能：基于 Sentinel-2 影像的作物分类的语义分割方法比较

    利用自由可用的卫星图像，探索可用于葡萄园分割问题的主要机器学习方法，并评估各种广泛使用的机器学习技术的有效性，为特定场景选择最合适的模型提供指导。

    Nov, 2023

  • 农业精密种植：利用机器学习和 Sentinel-2 卫星图像进行作物映射

    本研究利用来自 Sentinel-2 卫星图像的各种光谱波段组合，采用深度学习和基于像素的机器学习方法，对熏衣草田进行精准农业的精确分割，得出了 Dice 系数为 0.8324 的 U-Net 结构的最终模型，同时，我们的研究还强调了像素方法和红绿蓝光谱波段组合在这一任务中的意外功效。

    Nov, 2023

  • 从空间中分割任何物体？

    研究了针对视觉任务开发的第一个基础模型，称为 Segment Anything Model（SAM）。SAM 可以基于便宜的输入提示，如一个或多个点、边界框或掩码，在输入的图像中分割对象。作者在大量的视觉基准任务中研究了 SAM 的零样本图像分割准确性，并发现 SAM 通常实现了与目标任务上进行了训练的视觉模型类似或有时超过其识别精度。他们检查了 SAM 在多样化、广泛研究的基准任务集上的表现。然而，作者还研究了 SAM 在航空图像问题中的表现，他们发现虽然 SAM 在航空图像上通常表现良好，但在某些情况下由于航空图像和目标对象的独特特征而失败。

    Apr, 2023

  • 家禽科学的 SAM

    此研究旨在评估 SAM 在代表性的鸡分割任务（包括基于部件的分割和红外热成像的使用）中的零样本分割效果，并探索使用 SAM 作为分割工具的鸡追踪任务。研究结果表明，与 SegFormer 和 SETR 相比，在整体和基于部件的鸡分割方面，SAM 具有卓越的性能。基于 SAM 的对象跟踪还为肉禽鸟的行为和移动模式提供了有价值的数据。

    May, 2023

  • 食品 SAM：任何食品分割

    FoodSAM 是一种创新的框架，整合了粗糙的语义掩膜和 SAM 生成的掩膜，以提高语义分割质量，并将零样本能力扩展到实例分割和全景分割，是首个在食品图像上实现实例、全景和可提示分割的工作。

    Aug, 2023

  • 使用 SAM 进行建筑物分割模型的零样本精细调整

    我们提出了一种新颖的方法来针对现有模型的泛化性能下降问题，将基础模型自适应于特定领域，如遥感图像。我们通过集成预训练的卷积神经网络作为提示生成器，为 Segment Anything Model 增加了识别能力，从而改善了其在遥感图像上的表现。通过在三个遥感数据集上评估我们的方法，包括 WHU Buildings 数据集、Massachusetts Buildings 数据集和 AICrowd Mapping Challenge 数据集，我们观察到我们的方法在不同分布的性能上取得了显著提高，并计划发布我们的代码库，以促进遥感领域对基础模型进行更多领域特定任务的探索。

    Oct, 2023

  • 探究 SAM 在不同实际应用中的问题：任何东西的分段并不总是完美的

    这篇研究论文讨论了 Segment Anything Model 在各个领域的表现及其未来发展前景，并提供了有助于未来研究活动的洞见，以完成通用分割任务。

    Apr, 2023

  • 基于 SAM 的作物与杂草竞争层级全景分割解决方案

    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