基于标准化集成知识蒸馏的作物分割域泛化
计算机视觉与模式识别
2024-04-16 v3 机器学习
摘要
近年来，精准农业逐渐使农事管理更接近自动化流程，以支撑田间管理的各项活动。服务机器人在这一演进中发挥主导作用，通过部署能够在田间自主导航并执行监测、喷洒和收获等任务而无需人工干预的自主智能体。为执行这些精确动作，移动机器人需要实时感知系统以理解周围环境并识别野外的目标。然而，现有方法常难以泛化到新作物与环境条件。这一限制在标注样本稀有的实际应用中的关键的。本文研究作物分割问题，并提出一种利用知识蒸馏增强域泛化的新方法。在所提框架中，我们将在源域上分别训练的标准化模型集成的知识迁移到一个可适应未见真实场景的学生模型。为支持所提方法，我们呈现了一个用于作物分割的合成多域数据集，包含多种植物物种，涵盖不同地形风格、天气条件和光照场景，样本量超过70,000。我们展示了相较最先进方法的显著性能提升以及更优的仿真到真实泛化。我们的方法为作物分割中的域泛化提供了有前景的解决方案，并有望增强多种农业应用。
引用
@article{arxiv.2304.01029,
title = {Domain Generalization for Crop Segmentation with Standardized Ensemble Knowledge Distillation},
author = {Simone Angarano and Mauro Martini and Alessandro Navone and Marcello Chiaberge},
journal= {arXiv preprint arXiv:2304.01029},
year = {2024}
}