PlantSAM：基于目标检测驱动的植物标本分割管线
计算机视觉与模式识别
2025-07-23 v1
摘要
深度学习方法对植物标本图像进行分类受到背景异质性的限制，这种背景引入的噪声和伪影可能干扰模型并降低分类准确率。针对这些与背景相关的挑战，改善模型性能至关重要。我们引入了PlantSAM，一个集成YOLOv10进行植物区域检测、Segment Anything Model (SAM2)进行分割的自动化分割管线。YOLOv10生成的边界框提示用于引导SAM2，从而提高分割精度。两种模型都在植物标本图像上进行微调，并使用交并比(IoU)和Dice系数等指标进行评估。PlantSAM实现了最新的分割性能，IoU为0.94，Dice系数为0.97。将分割后的图像纳入分类模型后，在测试的五种植物特征中表现出始终如一的性能提升，准确率提升最高可达4.36%，F1分数提升4.15%。我们的发现突显了在植物标本图像分析中进行背景去除的重要性，由于使模型能够更有效地专注于前景植物结构，从而显著提高了分类准确率。
引用
@article{arxiv.2507.16506,
title = {PlantSAM: An Object Detection-Driven Segmentation Pipeline for Herbarium Specimens},
author = {Youcef Sklab and Florian Castanet and Hanane Ariouat and Souhila Arib and Jean-Daniel Zucker and Eric Chenin and Edi Prifti},
journal= {arXiv preprint arXiv:2507.16506},
year = {2025}
}
备注
19 pages, 11 figures, 8 tables