基于不确定性引导的注意力与熵加权损失用于精确植物苗芽分割
计算机视觉与模式识别
2026-04-14 v1 机器学习
摘要
植物苗芽分割支持精密农业中的自动化表型学。标准分割模型面临复杂背景图像和叶片细节结构的困难。我们引入 UGDA-Net (Uncertainty-Guided Dual Attention Network with Entropy-Weighted Loss and Deep Supervision)。UGDA-Net 由三个新型组件构成。第一个组件是不确定性引导的双注意力 (UGDA)。UGDA 使用通道方差调制特征图。第二个组件是熵加权混合损失函数。该损失函数聚焦于高不确定性边界像素。第三个组件在中间编码器层上采用深度监督。我们进行了全面的系统化消除实验，该实验关注两种广泛使用的架构 U-Net 和 LinkNet，分析五个递增配置：基准 (Baseline)、仅损失 (Loss-only)、仅注意力 (Attention-only)、深度监督 (Deep Supervision) 和 UGDA-Net。我们使用包含 432 张高分辨率植物苗芽图像的数据集训练 UGDA-Net。我们展示了改进的分割性能和准确性。Dice 系数较基准提高了 9.3%。LinkNet 的方差较基准提高了 13.2%。定性叠加图显示叶边界处的假阳性显著减少。不确定性热力图与复杂形态学一致。UGDA-Net 有助于植物细节结构的分割并提供高分辨率解决方案。结果表明，不确定性引导的注意力和不确定性加权损失是两个互补的系统。
引用
@article{arxiv.2604.10823,
title = {Uncertainty-Guided Attention and Entropy-Weighted Loss for Precise Plant Seedling Segmentation},
author = {Mohamed Ehab and Ali Hamdi},
journal= {arXiv preprint arXiv:2604.10823},
year = {2026}
}