面向自主干草生物量估计的无人机图像无监督域适应与超分辨率

牧草产量与组分估计是奶农确保为放牧及后续产奶提供充足优质牧草的重要工具。通过准确估计牧草产量和组分，可实施靶向氮肥施用策略以改善牧草地块的局部区域，有效降低过量施肥对生物多样性和环境的负面影响。在此背景下，深度学习算法为通常的草地组分估计手段提供了诱人替代方案，后者涉及从牧草地块破坏性取样并手工分拣所有植物物种的繁琐过程。该过程劳动密集且耗时，因此未被农民采用。深度学习已在地面高分辨率相机采集的图像上成功应用。然而，将深度学习方案迁移至无人机成像，有望通过将地面级估计扩展至田地/围场所占大面积区域，进一步改进牧草产量与组分估计任务。无人机图像代价是来自高海拔的较低分辨率视野，且需要在无人机图像覆盖的大面积上进一步收集牧草地面真值。本文提出以无监督方式将地面级图像上学到的知识迁移至原始无人机图像。为此，我们使用非配对图像风格迁移将无人机图像分辨率提升八倍，并使其外观更接近地面级对应图像。随后我们…… ~\url{www.github.com/PaulAlbert31/Clover_SSL}。