使用深度学习模型结合生成对抗网络填补模拟数据与真实数据之间的差距，开发了逼真的、用于小麦苞片分割的合成数据集，并利用该数据集训练深度学习模型，取得了高达 83.4% 的 Dice 分数在内部数据集以及 79.6% 和 83.6% 的 Dice 分数在两个外部全局小麦苞头检测数据集上。该方法不仅适用于小麦苞片分割，还可以推广到其他作物类型或者具有重复、密集模式的图像，例如细胞成像。

Feb, 2024

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

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

该论文提出了一种半监督方法来适应经过标记的图像数据训练的 CNN 图像识别模型到目标域，利用 CNN 学到的语义证据和视频数据的内在结构进行视频语义对象分割，显式地建模并补偿从源域到目标域的领域转移，并展示了我们的方法在具有挑战性的数据集上相对于现有方法的卓越性能。

Jun, 2016

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

该研究提出了 DODA，一种能够在农业领域生成高质量物体检测数据的数据合成器，通过将布局编码为图像，提高了布局到图像的可控性，从而改善了标签的质量，并使用视觉编码器为扩散模型提供视觉线索，使模型能够在新领域生成数据。在全球小麦头部检测（GWHD）数据集上，采用 DODA 合成的数据提高了目标检测器在与训练数据显著不同的领域中的表现，AP$_{50}$ 提升了 12.74-17.76。

Mar, 2024

本文提出了一种基于无监督域自适应的语义分割方法，通过核密度估计将目标数据分布匹配到源数据的特征空间中，从而减轻对目标数据进行标注的需求，提高了多地点前列腺 MRI 和组织病理学图像分割结果的可比性和优越性。

May, 2023

本研究提出了基于弱监督对抗领域适应的方法，通过三个深度神经网络（DS、PDC 和 ODC）改善从合成数据到真实场景的语义分割性能，并在实验中取得了新的记录。

Apr, 2019

本文提出了一种基于知识蒸馏的新方法以增强领域通用性，在精度农业中进行作物分割的应用，旨在解决移动机器人在野外环境中识别和定位作物所需的实时感知问题。通过在一个有多个领域的合成数据集上评估，该方法取得了明显的表现改进。

Apr, 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