ReLeaf：跨域和物种的叶子分割基准
计算机视觉与模式识别
2026-05-06 v1
摘要
全球粮食需求的增长和气候压力的增加，加大了可持续、精确农业实践的需求。自动化、个性化的植物处理依赖于细粒度的视觉分析，但叶子水平的分割仍未得到充分探索，尽管其价值在于评估作物健康、生长动力学、产量潜力和局部应激症状。进展受限于缺乏专门的数据集，尤其是在物种覆盖方面，以及缺乏对现代实例分割架构进行系统评估。我们填补了这些差距，通过调查当前数据并识别出四个适合的公开叶子分割数据集。使用这些数据集，我们比较了一阶段、二阶段和基于Transformer的检测器，并确定YOLO26模型配置为实际精确农业任务提供最佳权衡。广泛的跨域泛化实验揭示了在不同植物物种和记录设置之间的显著性能下降，尤其是针对仅在实验室数据上训练的模型。为加强数据可用性，我们引入了一个新的基准数据集，包含23种植物物种的叶子水平掩码，通过对选定的CropAndWeed图像进行半自动标注实现。在其对应的测试集上，训练于所有四个现有数据集的模型在平均mAP50-95上达到83.9%，而在我们的新基准上达到40.2%，表明改进了泛化能力，并凸显了在稳健的精确农业中需要多样化叶子分割数据集的重要性。
引用
@article{arxiv.2605.03784,
title = {ReLeaf: Benchmarking Leaf Segmentation across Domains and Species},
author = {Robert Martinko and Daniel Steininger and Julia Simon and Andreas Trondl and Matthias Blaickner},
journal= {arXiv preprint arXiv:2605.03784},
year = {2026}
}
备注
Accepted at Conference on Computer Vision and Pattern Recognition (CVPR) Workshops 2026. Code and dataset available at https://github.com/cropandweed/releaf