通过使用半监督学习和集成学生网络的方法，本研究评估了一种用于多类杂草检测的半监督学习框架，以增强模型的泛化能力，在 CottenWeedDet3 和 CottonWeedDet12 数据集上，只使用 10% 的标记数据，能够实现与监督学习方法相近的 76% 和 96% 的检测准确率。该研究成果提供了源代码，为杂草检测及其它半监督学习领域的研究提供了有价值的资源。

Mar, 2024

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

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

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 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

本文针对以减少除草剂使用量为目标的精准农业机器人的需要，提出了一种利用 RGB 数据进行基于 CNN 的作物分割和背景分类的方法，该方法利用植被指数实现实时分类，并且通过少量训练数据，可以在陌生的地块上进行有效的重新训练。在德国和瑞士的不同领域进行了实地测试，结果显示该系统的泛化能力很好，可在约 20Hz 的速度下进行在线操作，适合实际的农业生产。

Sep, 2017

通过实例分割技术，我们使用一个全面的数据集训练神经网络，以检测杂草和大豆植物的生长阶段，并提供了 6 个先进模型，实现了在所有植物类别中 79.1% 的平均精度和 69.2% 的平均召回率。

Jun, 2024

利用深度学习方法，通过半自我监督域适应技术在精确农业领域实现农作物图像的自动化标注，以及在不同环境条件下适应性强的解决方案，以推动先进技术在农业领域的广泛应用。

May, 2024

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

机器视觉技术在农业等多个领域的精细分析有潜力进行转型。本文提出了一种层次式全景分割方法，用于同时识别植物生长的指标和图像中的杂草，并在此基础上探索了使该架构更紧凑适用于时间和计算受限应用的方法。通过更紧凑的架构，推理速度提升了 60％，PQ 得分降低不到 1％。

Oct, 2023