面向遥感感知的深度学习驱动的 Rumex Obtusifolius 检测
计算机视觉与模式识别
2026-04-29 v1
摘要
域适应（DA）解决将在源域上训练的机器学习模型迁移到数据分布不同的目标域的挑战。本文研究DA用于Rumex obtusifolius（Rumex）图像分类任务。我们在已发布的基于地面车辆的数据集（源域）上训练模型，并在由无人机（UAVs）获取的自定义目标数据集上评估其性能。我们发现，卷积神经网络（CNN），特别是ResNet模型，即使在源数据上进行微调，也对目标域泛化能力差。应用矩匹配和最大分类不一致性两种 established DA技术，可显著提高目标域性能。然而，采用自监督目标（DINOv2、DINOv3）预训练的Vision Transformer（ViT）模型能内在处理域迁移，甚至超过矩匹配训练的ResNet，可能是由于在大规模预训练中获得的丰富通用表示所致。使用在源数据集上微调的ViT，我们在目标数据集上实现了F1分数达到0.8的高分类性能。为支持草地系统中基于DA的异草检测进一步研究，我们公开发布了包含15次飞行数据于瑞士草地上的AGSMultiRumex目标数据集。
引用
@article{arxiv.2604.25316,
title = {Towards Robust Deep Learning-based Rumex Obtusifolius Detection from Drone Images},
author = {Fabian Dionys Schrag and Mehmet Ozgur Turkoglu and Konrad Schindler and Ralph Lukas Stoop},
journal= {arXiv preprint arXiv:2604.25316},
year = {2026}
}
备注
under review