该论文介绍了一种半监督杂草检测的新方法，通过利用计算机视觉和深度学习进行自动化杂草检测，该方法在农业领域中具有较好的应用潜力和实际可行性。

May, 2024

现代农业依靠特定场地管理实践，需要准确检测、定位和量化农作物和杂草，可以通过深度学习技术实现。本研究提出了一种新颖的集成框架，利用不同的农作物和杂草模型以及可训练的元架构来结合它们的输出，从而在未知测试数据上显著提高了甘蓝作物和科冷草杂草的性能。经过消融研究的验证，证明了我们提出的模型的有效性。此外，我们还提出了两个用于比较的新颖数据集。

Oct, 2023

通过卷积神经网络加入空间信息作为特征，实现了在复杂环境下农田杂草与作物的自动分割识别，并在实验中取得了优异的结果。

Jun, 2018

本文介绍了一种使用编码器 - 解码器串联卷积神经网络进行密集语义杂草分类的方法，以通过微型飞行器收集的多光谱图像减少损害周围植物的可靠而精确的杂草检测，训练不同数量通道的模型并在嵌入式 GPU 系统中进行部署。

Sep, 2017

使用深度学习模型对长尾数据集中的杂草进行分类，提出了一种基于类优化损失和深层表示的 WeedCLR 方法，在无标签数据上使用自监督学习来学习视觉特征，并通过类优化损失函数解决长尾数据集中的类别不平衡问题，相较于先前的方法在不同环境条件下展现出更好的泛化能力和稳健性，无需昂贵且耗时的人工标注，可广泛应用于场地特定的杂草管理和作物干预技术。

Oct, 2023

通过密度裁剪引导的半监督检测器改进了对航空图像中小物体的检测效果。在训练过程中，使用已标记和未标记图像中识别出的物体簇的图像作为训练集的增强，提高了对小物体的检测和为未标记图像生成的伪标签质量。在推理过程中，该检测器不仅能够检测感兴趣的物体，还能够检测到密度较高的小物体区域，结合输入图像和图像裁剪的检测结果，从而实现更准确的物体预测，特别是对于小物体。

Aug, 2023

该论文提出了一种弱监督课程学习流程，用于多标签对象识别、检测和语义分割的任务，其中包括四个阶段，包括训练图像的对象定位、筛选和融合对象实例、像素标注以及基于任务的网络训练，通过这种流程，实现了在 MS-COCO、PASCAL VOC 2007 和 PASCAL VOC 2012 数据集上进行多标签图像分类以及弱监督对象检测和语义分割的最新成果。

Feb, 2018

该论文综述了机器学习和深度学习在农业系统中的应用，并介绍了最近在农业应用领域提出的标签有效机器学习和深度学习方法，特别是弱监督、无监督和自监督学习方法，以及其在精准农业、植物表型鉴定和收获后质量评估等方面的应用。

May, 2023

使用 DeepWeeds 数据集，通过深度学习算法实现草地杂草物种的自动化分类，为澳大利亚大草原地区实现机器人除草控制提供了具有前景的技术支持。

Oct, 2018

为了确保自主驾驶平台的安全行驶，除了开发高性能的物体检测技术外，还需要建立一个反映各种城市环境和物体特征的多样化和代表性的数据集。为了解决这两个问题，我们构建了一个多类别的 3D LiDAR 数据集，反映了多样化的城市环境和物体特征，并开发了基于多个教师框架的强大的 3D 半监督目标检测器。我们提出了一种简单而有效的增强技术，基于饼状点补偿（PieAug）的增强，以使教师网络生成高质量的伪标签。对 WOD、KITTI 和我们的数据集进行的大量实验验证了我们提出的方法的有效性和数据集的质量。实验结果表明，我们的方法始终优于现有的最先进的 3D 半监督目标检测方法。我们计划在不久的将来在我们的 Github 存储库上发布我们的多类别 LiDAR 数据集和源代码。

May, 2024