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

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

本文介绍了一种用于在农业自动化领域中实现自动视觉检查的叶片计数和分割分析方法，该方法使用数据增强来训练深度神经网络，取得了在标准基准测试中最先进的结果，即由植物表型学的计算机视觉难题托管的叶片分割竞赛。

Mar, 2019

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

通过深度学习方法，提出将叶数计数作为回归问题进行直接预测，避免叶子实例分割的耗时问题，并证明结合多个数据集进行训练可以获得更好的结果。在 CVPPP 2017 叶数计数挑战数据集上，相较于之前的获胜者，该方法能够提高至少 50% 的测试结果，并且在不知道数据实验来源的情况下取得了良好的性能。

Sep, 2017

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

本文提出了一种全新的基于卷积网络的无监督技术，用于密集物体（如植物器官）的计数，该技术采用后处理优化步骤，可在不需要数据集调整或修改的情况下，对高精度计数执行器官任务的有效性得到了验证。

Jul, 2020

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

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

通过无监督学习的方法，使用 LiDAR 传感器，构建了一个算法来预测 3D 场景中的实例分割，其中通过权重代理图生成 3D 实例掩模建议，并使用自我训练算法对初始嘈杂的提议进行强化，以生成场景级实例分割。在 SemanticKITTI 基准测试中，该方法相较于最佳基准模型获得了 13.3% 的平均准确率和 9.1% 的 F1 分数提升。

Mar, 2024