农业中的多标签实例级通用视觉 grounding
计算机视觉与模式识别
2026-03-10 v1
摘要
理解田间图像（如检测植物并区分单个作物和杂草实例）是精密农业的核心挑战。尽管在诗言生成和视觉问答等视觉语言任务方面取得了进展，但视觉 grounding（VG）——定位语言指称对象——在农业领域仍未得到探索。这一原因在于，缺乏适合评估在田间条件下进行 grounding 模型的合适基准数据集，其中许多植物外观高度相似，尺度多样，且被指称的目标可能不存在于图像中。为此，我们引入 gRef-CW，这是首个为农业设计的通用视觉 grounding 数据集，包括负向表达。对当前最先进的 grounding 模型在 gRef-CW 上的基准测试揭示了显著的领域差距，凸显了其在作物和杂草实例 grounding 方面的不足。针对这些发现，我们引入 Weed-VG，一个模块化框架，集成了多标签分层相关性评分和插值驱动的回归。Weed-VG 推动了实例级视觉 grounding，并为开发农业领域的 VG 方法提供了清晰的基准。代码将在接受后发布。
关键词
引用
@article{arxiv.2603.06699,
title = {Multi-label Instance-level Generalised Visual Grounding in Agriculture},
author = {Mohammadreza Haghighat and Alzayat Saleh and Mostafa Rahimi Azghadi},
journal= {arXiv preprint arXiv:2603.06699},
year = {2026}
}