基于双稀释可分离卷积的农业语义分割提升
计算机视觉与模式识别
2025-07-01 v1
摘要
农业图像语义分割是现代农业的关键组成部分，促进准确的视觉数据分析，以改进作物管理、优化资源利用并提升整体生产力。本研究提出一种用于精密农业的高效图像分割方法，专注于准确描绘农田异常情况，以支持知情决策和主动干预。将一种新颖的双稀释可分离卷积 (DAS Conv) 模块集成到基于 DeepLabV3 的分割框架中。DAS Conv 模块精心设计，以在扩张率和填充大小之间实现最佳平衡，从而在不牺牲效率的前提下提升模型性能。本研究还整合了一个从编码器中最佳阶段的战略跳过连接到解码器，以增强模型捕捉细粒度空间特征的能力。尽管计算复杂度较低，所提出的模型在 Agriculture Vision 基准数据集上超越了其基线模型，并与高度复杂的基于变换器的状态-of-the-art (SOTA) 模型性能相当。在考虑模型复杂度与性能之间的权衡时，所提出模型相对于 SOTA 模型实现了超过 66% 的效率提升。本研究突出了一种高效且有效的解决方案，用于提高遥感应用中的语义分割，提供一种计算轻量级模型，能够在农业图像中实现高质量性能。
引用
@article{arxiv.2506.22570,
title = {Dual Atrous Separable Convolution for Improving Agricultural Semantic Segmentation},
author = {Chee Mei Ling and Thangarajah Akilan and Aparna Ravinda Phalke},
journal= {arXiv preprint arXiv:2506.22570},
year = {2025}
}
备注
17 pages, 7 figures, 6 tables