基于时间轨迹建模的蘑菇园长势特征化
计算机视觉与模式识别
2025-10-13 v1
摘要
变更监控是浆果园农业中的重要任务，能够为育种者和种植者提供生长分析、产量预测和处理决策的能力。然而，这一任务通常是手动完成的，需要花费大量时间。深度学习驱动的变更监控虽有前景，但面临高维特征难以解释和针对微调的手工标注问题。为此，我们提出一种基于细调视觉转换器（ViT）的作物生长建模方法，采用自监督方式避免繁琐的图像标注。我们采用两重预热任务（时间回归和类别预测），学习作物和果实外观随时间演变的潜在空间。 resulting 2D temporal tracks 提供了一个可解释的时间序列模型，可用于：1）预测随时间的生长；2）区分浆果品种的时序差异。我们还提供了一个新型浆果果实时间序列数据集，包含八种不同品种，观察52次生长季节（约四个月），标注了霉菌处理、产量和腐烂信息。该方法具有普适性，可应用于其他作物和应用场景（代码和数据集可在 https://github.com/ronan-39/tlt/ 查找）。
引用
@article{arxiv.2510.08901,
title = {Modeling Time-Lapse Trajectories to Characterize Cranberry Growth},
author = {Ronan John and Anis Chihoub and Ryan Meegan and Gina Sidelli and Jeffery Neyhart and Peter Oudemans and Kristin Dana},
journal= {arXiv preprint arXiv:2510.08901},
year = {2025}
}
备注
Accepted to ICCV Workshops 2025