WeedSense：用于杂草分割、高度估计和生长阶段分类的多任务学习
计算机视觉与模式识别
2025-08-21 v1
摘要
杂草管理是农业中的一个关键挑战，严重影响作物产量并需要大量资源进行控制。有效的杂草监测和分析策略对于实施可持续农业实践和特定地点管理方法至关重要。我们引入了WeedSense，这是一种用于全面杂草分析的新型多任务学习架构，可联合执行语义分割、高度估计和生长阶段分类。我们提供了一个独特的数据集，该数据集捕获了16种杂草在11周生长周期内的像素级标注、高度测量和时间标签。WeedSense利用包含通用倒置瓶颈块的双路径编码器和基于Transformer特征融合的多任务分叉解码器来生成多尺度特征，并实现跨多个任务的同步预测。在我们的综合评估中，WeedSense优于其他最先进的模型。在我们的多任务数据集上，WeedSense实现了89.78%的mIoU用于分割，1.67cm的MAE用于高度估计，以及99.99%的准确率用于生长阶段分类，同时保持160 FPS的实时推理速度。我们的多任务方法比顺序单任务执行快3倍，并且使用的参数少32.4%。请访问我们的项目页面：weedsense.github.io。
引用
@article{arxiv.2508.14486,
title = {WeedSense: Multi-Task Learning for Weed Segmentation, Height Estimation, and Growth Stage Classification},
author = {Toqi Tahamid Sarker and Khaled R Ahmed and Taminul Islam and Cristiana Bernardi Rankrape and Karla Gage},
journal= {arXiv preprint arXiv:2508.14486},
year = {2025}
}
备注
This paper has been submitted and accepted for publication at ICCVW 2025