农业图像分析中的大数据域适应
计算机视觉与模式识别
2025-09-03 v5
摘要
随着计算机视觉在农业领域的广泛应用，图像分析已成为作物健康监测和害虫检测等任务的关键环节。然而，由于环境变化、不同的作物类型以及多样化的数据获取方法导致的显著域迁移，严重阻碍了模型在跨区域、跨季节及复杂农业场景中的泛化能力。本文探讨了如何利用域适应（DA）技术解决这些挑战，以提高农业图像分析中的跨域迁移能力。DA被视为在标注数据有限、模型适应性不足以及现场环境动态变化的情况下的有前景的解决方案。本文系统回顾了近年来农业图像领域域适应的最新进展，重点关注作物健康监测、害虫病虫检测及果实识别等应用场景，这些场景中的DA方法显著提升了跨域性能。我们将DA方法分为浅层学习和深度学习方法，包括监督、半监督和无监督策略，特别关注在复杂场景中表现良好的对抗学习技术。此外，本文还回顾了农业图像的主要公开数据集，并评估了它们在DA研究中的优势与局限。总体而言，本研究提供了一套完整的框架和若干关键见解，可作为未来农业视觉任务中域适应方法研发的参考。
引用
@article{arxiv.2506.05972,
title = {Domain Adaptation for Big Data in Agricultural Image Analysis: A Comprehensive Review},
author = {Xing Hu and Siyuan Chen and Qianqian Duan and Choon Ki Ahn and Huiliang Shang and Dawei Zhang},
journal= {arXiv preprint arXiv:2506.05972},
year = {2025}
}