农业领域语义、植株实例与叶片实例联合分割的分层方法
计算机视觉与模式识别
2023-06-16 v2
摘要
植物表型分析是农业中的一项核心任务，因为它描述了植物的生长阶段、发育过程及其他相关量。机器人可通过准确估计植株性状（如叶片数量、叶面积和植株大小）来帮助实现这一过程自动化。在本文中，我们解决了基于RGB数据的农田语义、植株实例与叶片实例联合分割问题。我们提出了一种单一的卷积神经网络，利用三者潜在的层次结构同时处理这三项任务。我们引入了任务特定的跳跃连接，实验评估证明其比常规方案更有益。我们还提出了一种新颖的自动后处理，显式解决空间上相近实例的问题，这在农业领域因叶片重叠而十分常见。我们的架构在农业背景下联合同时处理这些问题。以往工作要么聚焦于植株或叶片分割，要么未对语义分割进行优化。结果表明，与最先进方法相比，我们的系统性能更优，同时参数量更少且以相机帧率运行。
引用
@article{arxiv.2210.07879,
title = {Hierarchical Approach for Joint Semantic, Plant Instance, and Leaf Instance Segmentation in the Agricultural Domain},
author = {Gianmarco Roggiolani and Matteo Sodano and Tiziano Guadagnino and Federico Magistri and Jens Behley and Cyrill Stachniss},
journal= {arXiv preprint arXiv:2210.07879},
year = {2023}
}
备注
6+1 pages, published to the IEEE International Conference on Robotics and Automation (ICRA) 2023