INoD：用于农业领域自监督表示学习的注入噪声判别器

农业感知数据集在数量和多样性上均有限，这阻碍了监督学习方法的的有效训练。自监督学习技术缓解了这一问题，然而现有方法未针对农业领域的密集预测任务进行优化，导致性能下降。在本工作中，我们利用提出的注入噪声判别器（INoD）解决此局限，其利用特征替换与数据集判别的原理进行自监督表示学习。INoD在两个不相交数据集的卷积编码过程中交错其特征图，并预测所得特征图的数据集归属作为前置任务。我们的方法使网络能够学习在一个数据集中所见对象的明确表示，同时与来自不相交数据集的相似特征联合观察。这使网络能够推理所涉对象的高层语义，从而提升其在各种下游任务上的性能。此外，我们引入了新颖的Fraunhofer Potato 2022数据集，包含超过16,800张用于马铃薯田目标检测的图像。在我们提出的INoD预训练策略针对Sugar Beets 2016和我们的马铃薯数据集上的目标检测、语义分割和实例分割任务的广泛评估表明，其达到了最先进的性能。