学习协同语义与几何先验：面向有限数据小麦病害分割
计算机视觉与模式识别
2026-04-08 v1
摘要
小麦病害分割是精密农业的基本任务，但面临因生长阶段间显著的类内时间性变化所带来的严峻挑战。这种显著的外观变化使得从头收集代表性数据集进行训练既费力又不切实际。为此，我们提出了 SGPer（Semantic-Geometric Prior Synergization）语义-几何先验协同框架，将有限数据下的小麦病害分割视为病害特定语义感知与病害边界定位的耦合任务。我们的核心洞见在于，预训练的 DINOv2 提供稳健的类别感知语义先验以处理外观变化，可转换为粗糙的空间提示以指导 SAM 对病害边界进行精确定位。具体而言，SGPer 设计了具有多病害友好滤波器的病害敏感适配器，并将其插入 DINOv2 和 SAM，以将其预训练的表示与病害特定特征对齐。为实现这种协同，SGPer 将 DINOv2 派生的特征转换为稠密的、类别特定的点提示，以确保所有病害区域的全面空间覆盖。随后，通过交叉参考 SAM 的迭代掩码置信度与来自 DINOv2 的类别特定语义一致性，对这些稠密候选进行动态筛选，以确保高精度掩码生成。最终，SGPer 提炼出一组高度信息丰富的提示以激活 SAM 的几何先验，实现保持对时间外观变化完全不变的精确且稳健的分割。广泛的评估表明，SGPer 在小麦病害和器官分割基准数据集上始终实现了最先进的性能，尤其在数据受限的情况下效果显著。
引用
@article{arxiv.2604.05415,
title = {Learning to Synergize Semantic and Geometric Priors for Limited-Data Wheat Disease Segmentation},
author = {Shijie Wang and Zijian Wang and Yadan Luo and Scott Chapman and Xin Yu and Zi Huang},
journal= {arXiv preprint arXiv:2604.05415},
year = {2026}
}