通过迁移学习进行少样本水果分割

机器学习、计算机视觉和机器人技术的进步为各个领域（尤其是农业）的变革性解决方案铺平了道路。例如，从田间图像中准确识别和分割水果在自动化采摘、病害检测和产量估算等任务中起着关键作用。然而，实现稳健且精确的田间水果分割仍然是一项具有挑战性的任务，因为需要大量标记数据来处理水果大小、形状、颜色和遮挡的变化。在本文中，我们利用迁移学习开发了一个针对田间水果的少样本语义分割框架。具体而言，我们的工作旨在解决缺乏公开标记数据的农业领域。受城市场景解析类似成功的启发，我们提出使用公共基准数据集进行专门预训练，以实现水果迁移学习。通过利用预训练神经网络，仅需少量标记图像即可实现田间水果的准确语义分割。此外，我们表明，经过预训练的模型能够学会区分树上果实和落地果实，并能有效地将知识迁移到目标水果数据集。