S$^3$AD：果园环境中的半监督小苹果检测
计算机视觉与模式识别
2025-03-17 v2
摘要
作物检测对于精准农业应用（如自动化产量估计或果实采摘）不可或缺。然而，作物检测，例如果园环境中的苹果检测，由于缺少大规模数据集且作物在图像中相对尺寸小而仍然具有挑战性。本工作中，我们通过以半监督方式重构苹果检测任务来应对这些挑战。为此，我们提供大型高分辨率数据集 MAD，其包含 105 张标注图像（含 14,667 个标注苹果实例）与 4,440 张未标注图像。利用该数据集，我们还提出了一种新颖的基于上下文注意力与选择性分块的半监督小苹果检测系统 SAD，以在限制计算开销的同时改善困难的小苹果检测。我们在 MAD 与 MSU 数据集上进行了广泛评估，表明 SAD 大幅优于强全监督基线（包括若干小目标检测系统）达 。此外，我们利用数据集关于苹果属性的详尽标注来分析相对尺寸或遮挡程度对各种系统结果的影响，量化当前挑战。
引用
@article{arxiv.2311.05029,
title = {S$^3$AD: Semi-supervised Small Apple Detection in Orchard Environments},
author = {Robert Johanson and Christian Wilms and Ole Johannsen and Simone Frintrop},
journal= {arXiv preprint arXiv:2311.05029},
year = {2025}
}
备注
Accepted at WACV 2024. The code and the dataset MAD are available at http://www.inf.uni-hamburg.de/mad