全景分割的自监督学习

在本章中，我们将第3章中讨论的SSL方法扩展到语义和全景分割任务。使用手动生成的标签训练的卷积神经网络通常用于语义或实例分割。

在精准农业中，自动化花朵检测方法使用监督模型和后处理技术，随着花朵的外观和数据采集条件的变化，这些技术可能无法始终如一地执行。我们提出了一种自监督学习策略，使用自动生成的伪标签来提高分割模型对不同花卉物种的敏感性。我们采用数据扩充和细化方法来提高模型预测的准确性。然后将增强的语义预测转换为全景伪标签，以迭代训练多任务模型。可以使用现有的后处理方法对自监督模型预测进行细化，以进一步提高其准确性。对多物种果树花朵数据集的评估表明，我们的方法在没有计算成本高昂的后处理步骤的情况下优于最先进的模型，为花朵检测应用提供了新的基线。

4.1引言

计算机视觉算法在农业应用中日益普及。在农业应用中越来越受欢迎。检测和计数花朵是一项重要的作物管理活动，可优化水果产量 [196] 。优化水果产量的一项重要作物管理活动 [196]。自动花开强度估计方法有可能减少大型生产领域的工作量。许多机器视觉Sion 方法来应对估算作物产量的挑战。最近大多数基于深度学习模型的花朵检测和计数方法需要大量人工标注的训练数据才能达到可接受的效果 [25, 197, 198]。虽然弱监督方法 [199] 可以简化卷积神经网络（convolutional neural networks）的虽然弱监督方法[199] 可以简化卷积神经网络（CNN）的训练，但对于适应大规模的虽然弱监督方法 [199] 可以简化卷积神经网络（CNN）的训练，但对于将大规模、预先训练好的模型适应未见物体类别并不特别有效。

数据增强[88,87]是一种事实上的标准技术，用于在训练深度神经网络时减少对手动注释的依赖。但在农业视觉数据中，感兴趣对象的外观和场景条件因田地而异。此外，由于农业生产环境通常需要从移动的车辆中获取