DT/MARS-CycleGAN：改进 MARS 表型机器人的目标检测
计算机视觉与模式识别
2023-10-23 v2
摘要
机器人作物表型分析已成为大规模评估作物形态与生理性状的关键技术。这些表型测量对于培育新品种以提高生产力并应对气候变化等环境挑战至关重要。然而，开发和部署作物表型机器人面临诸多挑战，如复杂多变的作物形状使机器人目标检测复杂化、动态非结构化环境困扰机器人控制、实时计算与大数据管理对机器人软硬件提出挑战。本工作专门解决第一个挑战，提出一种新颖的数字孪生（DT）MARS-CycleGAN 模型用于图像增强，以改进我们的模块化农业机器人系统（MARS）在复杂多变背景下的作物目标检测。我们的核心思想是，在 CycleGAN 模型的循环一致性损失之外，我们在深度学习模型中设计并施加了一个新的 DT-MARS 损失，以惩罚 MARS 捕获的真实作物图像与 DT MARS 感知的合成图像之间的不一致性。因此，生成的合成作物图像在真实感上紧密模仿真实图像，并被用于微调 YOLOv8 等目标检测器。大量实验表明，我们新的 DT/MARS-CycleGAN 框架显著提升了 MARS 作物目标/行检测器的性能，为机器人作物表型分析领域作出贡献。
引用
@article{arxiv.2310.12787,
title = {DT/MARS-CycleGAN: Improved Object Detection for MARS Phenotyping Robot},
author = {David Liu and Zhengkun Li and Zihao Wu and Changying Li},
journal= {arXiv preprint arXiv:2310.12787},
year = {2023}
}