面向叶子实例分割的引导掩码变换器 (GMT)
计算机视觉与模式识别
2025-01-30 v3
摘要
叶子实例分割是一项具有挑战性的多实例分割任务，旨在分离和描绘图像中每片叶子。对每片叶子进行准确分割对于与植物相关的应用至关重要，例如对植物生长进行细粒度监控和作物产量估计。该任务具有挑战性，因为叶子实例在形状和颜色上高度相似、尺寸差异大且遮挡严重。此外，通常较小的标注叶子数据集使得学习针对精确分割所需的独特特征更加困难。我们假设，叶子分布的特定空间模式正是克服这些挑战的关键。在本文中，我们提出了引导掩码变换器 (Guided Mask Transformer, GMT)，该模型利用并整合了叶子空间分布先验信息至基于变换器的分割器中。这些空间先验被嵌入一组引导函数，将不同位置的叶子映射到更易分离的嵌入空间中。我们的 GMT 在三个公开植物数据集上 consistently 优于最先进的方法。我们的代码可在 https://github.com/vios-s/gmt-leaf-ins-seg 上获取。
引用
@article{arxiv.2406.17109,
title = {GMT: Guided Mask Transformer for Leaf Instance Segmentation},
author = {Feng Chen and Sotirios A. Tsaftaris and Mario Valerio Giuffrida},
journal= {arXiv preprint arXiv:2406.17109},
year = {2025}
}
备注
Accepted at IEEE/CVF Winter Conference on Applications of Computer Vision (WACV) 2025 (Oral Presentation)