📰 不确定性驱动的半监督学习在物候感知苹果花计数中的应用研究 - 生物通
本文提出了一种基于无人机的双阶段苹果花计数框架SPAF-Net，结合颜色阈值分割和半监督密度估计，创新性地解决了高密度果园遮挡、标注成本高和物候期混淆等问题。通过不确定性驱动伪标签过滤、自适应抗过拟合掩码和物候相位映射器三大模块，SPAF-Net在9012张图像数据集上仅需30%标注数据即可达到全监督性能，为果园数字化管理提供了新方法。
研究还聚焦于嘎啦、金冠和富士三个苹果品种的不同物候期，利用大疆Mavic 3 Pro无人机采集数据，构建了包含10,356个花蕾期、9,742个盛花期和2,915个落花期标注实例的高清图像数据集。这一数据集被称为“苹果花生长的数字年鉴”，为后续研究提供了宝贵的基础。
在实验中，采用PyTorch框架，通过平均绝对误差和均方根误差等指标精确评估每朵花的计数偏差。本研究的双阶段框架有效解决了半监督训练中的噪声干扰、物候期特征纠缠以及高密度遮挡场景下的计数偏差，展现了其在苹果花计数领域的独特优势。
🏷️ #苹果花计数 #半监督学习 #无人机 #密度估计 #数字化管理
🔗 原文链接
📰 不确定性驱动的半监督学习在物候感知苹果花计数中的应用研究 - 生物通
本文提出了一种基于无人机的双阶段苹果花计数框架SPAF-Net，结合颜色阈值分割和半监督密度估计，创新性地解决了高密度果园遮挡、标注成本高和物候期混淆等问题。通过不确定性驱动伪标签过滤、自适应抗过拟合掩码和物候相位映射器三大模块，SPAF-Net在9012张图像数据集上仅需30%标注数据即可达到全监督性能，为果园数字化管理提供了新方法。
研究还聚焦于嘎啦、金冠和富士三个苹果品种的不同物候期，利用大疆Mavic 3 Pro无人机采集数据，构建了包含10,356个花蕾期、9,742个盛花期和2,915个落花期标注实例的高清图像数据集。这一数据集被称为“苹果花生长的数字年鉴”，为后续研究提供了宝贵的基础。
在实验中，采用PyTorch框架，通过平均绝对误差和均方根误差等指标精确评估每朵花的计数偏差。本研究的双阶段框架有效解决了半监督训练中的噪声干扰、物候期特征纠缠以及高密度遮挡场景下的计数偏差，展现了其在苹果花计数领域的独特优势。
🏷️ #苹果花计数 #半监督学习 #无人机 #密度估计 #数字化管理
🔗 原文链接
