利用边界损失进行植物和叶片的层次化全景分割
计算机视觉与模式识别
2025-01-03 v1 机器学习
摘要
精密农业利用数据和机器学习，使农民能够精准监控作物并针对性地进行干预。这使得可以仅对杂草进行精准的除草剂喷洒，或仅对营养不良的作物进行精准的肥料喷洒，而不是对整个田块进行处理。这一方法承诺在最大化产量的同时，最小化资源使用和对周围环境的伤害。为此，我们提出了一种层次化全景分割方法，同时确定叶片数量（作为植物生长的标识符）并定位图像中的杂草。具体而言，我们的方法旨在通过融合焦点损失和边界损失，提高对较小实例（如叶片和杂草）的分割精度。不仅结果表现竞争， 在标准训练集上实现 PQ+ 为 81.89%，我们还展示了可以借助该方法提高叶片计数精度。代码已公开于 https://github.com/madeleinedarbyshire/HierarchicalMask2Former。
引用
@article{arxiv.2501.00527,
title = {Exploiting Boundary Loss for the Hierarchical Panoptic Segmentation of Plants and Leaves},
author = {Madeleine Darbyshire and Elizabeth Sklar and Simon Parsons},
journal= {arXiv preprint arXiv:2501.00527},
year = {2025}
}
备注
Presented at the 9th Workshop for Computer Vision in Plant Phenotyping and Agriculture (CVPPA) 2024 at the European Conference of Computer Vision (ECCV) 2024. arXiv admin note: text overlap with arXiv:2310.06582