利用DINOv2缓解多物种分割中的领域漂移：除草剂研究试验中的跨领域评估
计算机视觉与模式识别
2026-04-13 v4 人工智能
摘要
用于除草剂田间研究试验的可靠植物物种和损害分割需要模型能够承受跨季节、跨地域、跨设备和跨传感模式的显著现实世界变化。大多数在受控数据集上训练的深度学习方法在这些领域偏移下无法泛化，限制了其在可操作表型分析流程中的适用性。本研究评估了一个分割框架，该框架集成了视觉基础模型（DINOv2）与分层分类学推断，以提高在异构农业条件下的鲁棒性。我们在德国和西班牙（2018-2020年）收集的包含14种植物物种和4种除草剂损害类别的大型多年份数据集上进行训练，并在日益严峻的偏移条件下评估泛化能力：时间和设备变化（2023年）、向美国的地理迁移，以及向无人机影像的极端传感器偏移（2024年）。结果表明，基础模型骨干网络始终优于先前的基线，在分布内数据上将物种级F1分数从0.52提高到0.87，并在中等（0.77 vs. 0.24）和极端（0.44 vs. 0.14）偏移条件下保持显著优势。分层推断提供了额外的鲁棒性层，即使在细粒度物种分类退化时也能进行有意义的预测（航拍图像上的科F1：0.68，类F1：0.88）。错误分析揭示，严重偏移下的失败主要源于植被-土壤混淆，表明尽管背景和视角存在可变性，分类学区分仍然得以保留。该系统现已部署在巴斯夫公司跨多个地区的除草剂研究试验表型分析工作流程中，展示了将基础模型与结构化生物层次结构相结合用于可扩展、抗偏移的农业监测的实际可行性。
引用
@article{arxiv.2508.07514,
title = {Mitigating Domain Drift in Multi Species Segmentation with DINOv2: A Cross-Domain Evaluation in Herbicide Research Trials},
author = {Artzai Picon and Itziar Eguskiza and Daniel Mugica and Javier Romero and Carlos Javier Jimenez and Eric White and Gabriel Do-Lago-Junqueira and Christian Klukas and Ramon Navarra-Mestre},
journal= {arXiv preprint arXiv:2508.07514},
year = {2026}
}