Contrastive Self-Supervised Pretraining for Artificial Intelligence Agriculture Weed Detection Under Label Scarcity: A Computer Transfer-Robustness Evaluation
提出对比自监督预训练在杂草检测跨域迁移中何时有效的理论框架与评估协议。
← 主题
#自监督学习
A100：面向农业植物图像分析的混合视觉基础模型
构建混合视觉基础模型A100，用百万级田间图像自监督预训练实现少标注作物图像分析。
SAR2Agri:基于纯 SAR 强度图像的自监督学习管道,作物类型制图 IoU 达 84.9%
arXiv 8-11 上线论文提出首个仅使用 SAR 强度图像的农业应用自监督学习管道(SAR2Agri),作者:Moti Rattan Gupta、Anupam Sobti。通过改进的掩码+课程学习时间前置任务,从 SAR 数据中捕获物候特征。在 SICKLE 基准上,最终模型在作物类型制图上达到 84.9% IoU,优于光学基线 15.3 个百分点、优于现有 SAR 基线 2.2 个百分点,展示了 SAR 强度编码器对农业监测预训练的有效性。[预印本]
STS-NET: Spatio-Temporal Stress Network for Self-Supervised Crop Stress Detection using Satellite Image Time Series(基于卫星时序影像的自监督作物胁迫时空网络)
及时准确地检测作物胁迫对提升农业生产力和保障全球粮食安全至关重要,但标注数据成本高。文章提出新型时空应力网络STS-NET,基于自监督3D卷积自编码器构建,利用PlanetScope高分辨率影像时序数据,提取NDVI、GNDVI、RECI、NDRE四种植被指数捕捉时空胁迫模式。在印度北方邦Lakhimpur-Kheri地区2.5英亩甘蔗试验田上,STS-NET对水分胁迫达到97.98%精度、对氮素胁迫达85.08%精度、对复合胁迫达83.47%精度,证明该自监督方法在标注数据稀缺条件下有效检测甘蔗胁迫的潜力,并可作为简单模型的稳健特征提取器。[预印本]