Biology-aware association for identity-consistent leaf tracking in top-down plant phenotyping

可靠的叶片级性状轨迹需要在生长、重叠和外观变化过程中进行身份一致的跟踪。我们引入了一个生物学感知关联模块，该模块结合了一个外观线索和三个生物学/几何线索：空间连续性、面积增长合理性和生命周期合理性。在CanolaTrack上，自适应加权将ID切换从228降至126 ± 5（44.7%；每株配对p = 1.6 × 10⁻⁵，n = 37），并将HOTA从88.17提升至89.69 ± 0.10。难度分层分析显示，在全部12个CanolaTrack分层中IDSW均有降低，相较于仅外观方法平均降低40.0%，相较于LeafTrackNet平均降低45.0%。仅关联的外部拟南芥和KOMATSUNA测试识别出干净的低位移GT框情形，在这些情形下质心匹配或固定生物约束比零样本自适应权重迁移更可靠。这些结果提供了适用范围的建议：自适应加权在类似CanolaTrack的密集序列中最为有用，而固定生物约束或质心匹配在干净的低位移外部情形中更为可靠——在这些情形下最近质心分配已能解决大多数关联，因此即使在目标域上重新训练的预测器也无法超越它。因此，限制因素主要是该情形的关联难度，而非数据集大小。