面向多样化农业视觉任务的自监督骨干框架
计算机视觉与模式识别
2024-03-25 v1 人工智能
图像与视频处理
摘要
农业领域的计算机视觉具有变革性意义，能够将农业转变为数据驱动、精准且可持续的产业。深度学习赋能农业视觉分析海量、复杂的视觉数据，但严重依赖大规模标注数据集的可用性。这仍是一个瓶颈，因为人工标注易出错、耗时且昂贵。高效标注方法的缺乏启发我们将自监督学习视为一种范式转变，从原始农业图像数据中学习有意义的特征表示。在这项工作中，我们探索了自监督表示学习如何通过消除对大规模标注数据集的需求，释放其在多样化农业视觉任务中的潜在适用性。我们提出一个轻量级框架，利用对比学习方法 SimCLR，在一个大规模、未标注的真实农业田间图像数据集上预训练 ResNet-50 骨干网络。我们的实验分析和结果表明，模型学习到的鲁棒特征适用于本文讨论的广泛下游农业任务。此外，对标注数据依赖的降低使我们的方法更具成本效益和可及性，为计算机视觉在农业中的更广泛应用铺平了道路。
引用
@article{arxiv.2403.15248,
title = {Self-Supervised Backbone Framework for Diverse Agricultural Vision Tasks},
author = {Sudhir Sornapudi and Rajhans Singh},
journal= {arXiv preprint arXiv:2403.15248},
year = {2024}
}