全景一键分割：在农业数据上的应用
计算机视觉与模式识别
2023-03-16 v1 人工智能
摘要
在杂草控制中，精准农业可大幅减少除草剂使用，带来经济与生态双重效益。关键环节是从图像数据中定位并分割所有植株。现代实例分割技术可实现此目标，但训练此类系统需要大量人工标注数据，获取昂贵且费力。弱监督训练可大幅降低标注工作量与成本。我们提出全景一键分割，一种高效准确的离线工具，可从点击输入生成伪标签从而减少标注工作量。与传统方法独立迭代遍历所有N个对象不同，我们的方法联合估计场景中全部N个对象的像素级位置；这大幅减少了训练时间。仅使用10%的数据训练我们的全景一键分割方法，在具挑战性的甜菜与玉米图像数据上分别取得68.1%与68.8%的平均对象交并比（IoU），性能可与传统一键方法媲美且训练约快12倍。我们通过对其余90%数据点击生成伪标签来展示系统的适用性。这些伪标签随后以半监督方式用于训练Mask R-CNN，将甜菜与玉米数据的平均前景IoU绝对性能分别提升9.4与7.9个百分点。最后，我们表明该技术可恢复标注中遗漏的点击， outlining了相较传统方法的又一优势。
引用
@article{arxiv.2303.08689,
title = {Panoptic One-Click Segmentation: Applied to Agricultural Data},
author = {Patrick Zimmer and Michael Halstead and Chris McCool},
journal= {arXiv preprint arXiv:2303.08689},
year = {2023}
}
备注
in IEEE Robotics and Automation Letters (2023)