CA-Cut：用于学习更鲁棒的树下导航数据的作物对齐裁剪

最先进的树下视觉导航方法设计用于深度学习基于感知模型以区分可遍历空间和作物行。虽然这些模型已显示出成功的性能，但需要大量训练数据才能确保实际现场部署的可靠性。然而，数据收集成本高昂，需要大量的人力资源进行现场采样和标注。为此，通常会在模型训练期间采用各种数据增强技术，如颜色抖动、高斯模糊和水平翻转，以增加训练数据的多样性并增强模型鲁棒性。本文我们假设，仅利用这些增强技术可能导致次优性能，特别是在具有频繁遮挡、杂物和作物非均匀间距的复杂树下环境中。相反，我们提出了一种新颖的增强方法，称为作物对齐裁剪 (CA-Cut)，该方法在输入图像中对作物行周围的随机区域进行遮盖，以鼓励模型在细节信息受阻时捕获高级上下文特征。我们对公开的玉米场数据集进行了广泛实验，表明遮盖式增强对于模拟遮挡并显著提高语义关键点预测的鲁棒性非常有效。特别是，我们表明将遮盖分布偏向作物行在CA-Cut中对于增强预测准确性和跨环境的泛化性至关重要，实现了最高36.9%的预测误差降低。此外，我们进行了消融研究，以确定遮盖的数量、每个遮盖的大小以及遮盖的空间分布，以最大化整体性能。