BAWSeg：基于无人机的麦粒杂草分割基准数据集
摘要
准确的谷物作物杂草映射要求从无人机影像中获得能够跨场地、跨季节、跨照明条件保持可靠的像素级分割。现有多光谱流程往往依赖阈值化的植被指数，这在辐射漂移和混合作物-杂草像素情况下脆弱；或采用单流 CNN 和 Transformer 骨干网络处理拼接波段和指数，其中辐射线索与归一化指数线索相互干扰，削弱对被作物冠层遮蔽的小杂草簇的敏感性。我们提出 VISA，一种双流分割网络，解耦这些线索并在本征分辨率上进行融合。辐射流使用本地残差卷积、通道重校准、空域门控和跳变连接解码器学习校准过的五波段反射率，保留细小纹理、行间边界及小杂草结构，这些在基于比值的指数压缩后常被弱化。指数流则在植被指数图上运作，采用窗口自注意力建模局部结构、状态空间层在不产生二次注意力成本的情况下传递场规模上下文，并利用 Slot Attention 形成稳定的区域描述符以提高稀疏杂草在冠层混合环境下的辨别能力。为支持监督训练和部署导向的评估，我们引入 BAWSeg，一个跨越四年收集的无人机多光谱数据集，覆盖澳大利亚西部的商业麦粒田，提供校准的蓝、绿、红、红边和近红外正射航拍图、衍生植被指数、密集作物、杂草及其他标签，并采用无泄漏块划分。实验表明，VISA 在 BAWSeg 上达到 75.6% mIoU 和 63.5% 杂草 IoU，参数量为 22.8M，相较于多光谱 SegFormer-B1 基线提升 1.2 mIoU 和 1.9 杂草 IoU。在跨场地和跨年份协议下，VISA 分别保持 71.2% 和 69.2% mIoU。
引用
@article{arxiv.2603.01932,
title = {BAWSeg: A UAV Multispectral Benchmark for Barley Weed Segmentation},
author = {Haitian Wang and Xinyu Wang and Muhammad Ibrahim and Dustin Severtson and Ajmal Mian},
journal= {arXiv preprint arXiv:2603.01932},
year = {2026}
}
备注
This article has been published in Remote Sensing as part of the Special Issue Intelligent UAV Remote Sensing for Next-Generation Precision Agriculture