PRUE：面向大规模作物边界分割的实用方法
计算机视觉与模式识别
2026-03-31 v1 机器学习
摘要
大规模作物边界图是农业监测任务中必不可少的要素。现有基于卫星的作物边界映射方法对光照、空间尺度和地理位置变化敏感。我们首次系统评估了分割模型和地理信息基础模型（GFMs）用于全球作物边界描绘，使用 Fields of The World（FTW）基准测试。我们在统一的实验设置下评估了 18 个模型，结果显示 U-Net 语义分割模型在一系列性能和部署指标上优于基于实例的方法和 GFMs 备选方案。我们提出了一种新的分割方法，将 U-Net 主干、组合损失函数和针对性数据增强相结合，以提升在现实条件下的性能和鲁棒性。该模型在 FTW 上实现了 76% 的 IoU 和 47% 的 object-F1，较上一次基线提升了 6% 和 9%。我们的做法为可靠、可扩展且可重复的作物边界描绘提供了实用框架，涵盖模型设计、训练和推理。我们发布了面向五个国家的所有模型及模型生成的作物边界数据集。
引用
@article{arxiv.2603.27101,
title = {PRUE: A Practical Recipe for Field Boundary Segmentation at Scale},
author = {Gedeon Muhawenayo and Caleb Robinson and Subash Khanal and Zhanpei Fang and Isaac Corley and Alexander Wollam and Tianyi Gao and Leonard Strnad and Ryan Avery and Lyndon Estes and Ana M. Tárano and Nathan Jacobs and Hannah Kerner},
journal= {arXiv preprint arXiv:2603.27101},
year = {2026}
}
备注
12 pages, 3 figures, supplementary material. Accepted at CVPR 2026 (IEEE/CVF Conference on Computer Vision and Pattern Recognition)