基于迭代优化注释管道的ALSS-YOLO-Seg用于无人机图像中的香蕉种植园分割
计算机视觉与模式识别
2024-10-11 v1
摘要
对无人机捕获图像的精确分割在作物产量估计和植物健康评估等任务中发挥着关键作用。通过识别和分类种植区域，可计算作物面积，这对于准确的产量预测至关重要。然而，对香蕉种植园场景进行分割需要大量标注数据，手动标注既费时又费力，限制了大规模数据集的开发。此外，目标尺寸变化、复杂地面背景、有限的计算资源以及正确识别作物类别等挑战也使分割更加困难。为此，我们提出了全面的解决方案。首先，我们设计了一个利用SAM2零射击能力生成高质量分割注释的迭代优化注释管道，从而显著降低了数据标注的成本和时间。其次，我们开发了ALSS-YOLO-Seg，一个针对无人机图像优化的高效轻量化分割模型。该模型的主干网络包括自适应轻量通道分割和混洗（ALSS）模块，以提高通道之间信息交换并优化特征提取，助于准确识别作物。此外，多尺度通道注意力（MSCA）模块将多尺度特征提取与通道注意力相结合，以解决目标尺寸变化和复杂地面背景等挑战。
引用
@article{arxiv.2410.07955,
title = {Iterative Optimization Annotation Pipeline and ALSS-YOLO-Seg for Efficient Banana Plantation Segmentation in UAV Imagery},
author = {Ang He and Ximei Wu and Xing Xu and Jing Chen and Xiaobin Guo and Sheng Xu},
journal= {arXiv preprint arXiv:2410.07955},
year = {2024}
}