用于多光谱航空图像中杂草检测的参数高效卷积方法
计算机视觉与模式识别
2026-03-10 v1 人工智能
摘要
我们提出 FCBNet，一种用于杂草分割的高效模型。该模型基于完全冻结的 ConvNeXt 主干网络，引入的特征校正模块（FCB），该模块利用高效卷积进行特征细化，以及轻量级解码器。FCBNet 在 WeedBananaCOD 和 WeedMap 数据集上进行了评估，分别在 RGB 和多光谱模态下测试，结果表明 FCBNet 在 mIoU 方面优于 U-Net、DeepLabV3+、SK-U-Net、SegFormer 和 WeedSense 等模型，超过 85%，同时也实现了卓越的计算效率，仅需 0.06 到 0.2 小时即可完成训练。此外，冻结主干网络策略可将可训练参数减少超过 90%，显著降低了内存需求。
引用
@article{arxiv.2603.06655,
title = {A Parameter-efficient Convolutional Approach for Weed Detection in Multispectral Aerial Imagery},
author = {Leo Thomas Ramos and Angel D. Sappa},
journal= {arXiv preprint arXiv:2603.06655},
year = {2026}
}
备注
10 pages, 6 figures, 9 tables