基于掩码图像建模的农业航空图像无标签异常检测

检测农业领域中的各种胁迫（营养、水分、氮素等）对于农民确保最大产量至关重要。然而，不同胁迫在不同作物类型和品种中表现出不同的形状和大小。因此，这被建模为农业图像中的异常检测任务。在农业无人机图像中进行准确的异常检测对于及时发现田间异常至关重要。传统的监督学习在适应各种异常方面面临挑战，需要大量的标注数据。在这项工作中，我们通过使用掩码图像建模方法的自监督学习来克服这一限制。掩码自编码器（MAE）从未标记的图像样本中学习有意义的正常特征，这些特征在重建过程中对异常像素产生较高的重建误差。为了消除训练时仅使用“正常”数据的需求，我们使用了一种异常抑制损失机制，该机制有效地最小化异常像素的重建，并允许模型学习异常区域，而无需在训练时明确分离“正常”图像。在 Agriculture-Vision 数据挑战上的评估表明，与现有的无监督和自监督方法相比，mIOU 分数有所提高。该模型能够泛化到 Agriculture-Vision 挑战数据集中的所有异常类别。