ViewSparsifier：消除多视角植物表型分析中的冗余
计算机视觉与模式识别
2025-09-11 v1
摘要
植物表型学涉及分析植物可观察特征，以更好地理解其生长、健康和发育。在深度学习语境下，这种分析通常通过单视角分类或回归模型来实现。然而，这些方法往往无法捕获 accurately 估计目标表型特征所需的全部信息，可能对植物健康评估和收获准备度预测产生不利影响。为此，ACM Multimedia 2025 的 Growth Modeling (GroMo) 大型挑战赛提供了一个多视角数据集，包含多个植物及两个任务：植物年龄预测和叶数估计。每个植物从多个高度和角度拍摄，导致捕获信息存在显著重叠和冗余。为学习视角不变嵌入，我们采用随机选择包含 24 个视角的选择向量。我们的 ViewSparsifier 方法在两个任务中均取得优异成绩。为进一步提升效果并作为未来研究方向，我们还实验了在所有五个高度水平（共 120 个视角）上进行随机视角选择的做法，称为选择矩阵。
关键词
引用
@article{arxiv.2509.08550,
title = {ViewSparsifier: Killing Redundancy in Multi-View Plant Phenotyping},
author = {Robin-Nico Kampa and Fabian Deuser and Konrad Habel and Norbert Oswald},
journal= {arXiv preprint arXiv:2509.08550},
year = {2025}
}