合成作物-杂草图像生成及其对模型泛化性的影响
计算机视觉与模式识别
2025-11-05 v1 机器人学
摘要
精确的作物和杂草语义分割对于农业除草机器人至关重要。然而，训练深度学习模型需要大量标注数据集，而这些数据集在真实田间获取成本高昂。合成数据可减轻这一负担，但模拟与真实图像之间的差距仍是挑战。本文提出了一个用于生成合成作物-杂草图像的管线，利用 Blender 实现，产生在不同植物生长、杂草密度、lighting 和摄像机角度条件下的带注释数据集。我们对比评估了多个最新分割模型在合成和真实数据集上的表现，并分析了它们的跨域泛化性。我们的结果表明，基于合成图像训练的模型在与真实图像之间的 sim-to-real 差距为 10%，优于先前的最先进方法。此外，合成数据在跨域情景中表现出良好的泛化性能，甚至优于真实数据集。这些发现凸显了合成农业数据集的潜力，支持更高效模型训练的混合策略。
引用
@article{arxiv.2511.02417,
title = {Synthetic Crop-Weed Image Generation and its Impact on Model Generalization},
author = {Garen Boyadjian and Cyrille Pierre and Johann Laconte and Riccardo Bertoglio},
journal= {arXiv preprint arXiv:2511.02417},
year = {2025}
}