多类杂草检测中半监督学习框架的性能评估

有效的杂草控制在优化作物产量和提高农产品质量方面发挥着至关重要的作用。然而，依赖除草剂施用不仅对环境构成严重威胁，还会促进抗性杂草的出现。幸运的是，机器学习和深度学习赋能的精准杂草管理最新进展提供了一种可持续的替代方案。尽管取得了巨大进步，现有算法主要基于监督学习方法开发，这些方法通常需要带有手动标注的大规模数据集，既耗时又费力。因此，标签高效学习方法，尤其是半监督学习，在计算机视觉更广泛的领域中获得了越来越多的关注，并展现出令人期待的性能。这些方法旨在利用少量 labeled 数据样本和大量 unlabeled 数据样本来开发高性能模型，其性能可与在大量 labeled 数据样本上训练的监督学习对应模型相媲美。在本研究中，我们评估了用于多类杂草检测的半监督学习框架的有效性，采用了两个知名的目标检测框架，即 FCOS 和 Faster-RCNN。具体而言，我们评估了一种具有改进伪标签生成模块的通用学生 - 教师框架，以生成可靠的 unlabeled 数据伪标签。为增强泛化能力，采用集成学生网络来促进训练过程。实验结果表明，在 CottenWeedDet3 和 CottonWeedDet12 数据集中，所提出的方法仅使用 10% 的 labeled 数据，即可分别达到约 76% 和 96% 的检测准确率，与监督学习方法相当。我们提供了源代码访问权限，为杂草检测及更广泛领域的持续半监督学习研究贡献了宝贵资源。