Unsupervised domain adaptation with self-training for weed segmentation
Notice bibliographique
Résumé
Accurate crop and weed segmentation in varied field conditions is crucial for advancing automated weed management but remains challenging. Though promising, convolutional neural networks (CNNs) often experience performance drops when deployed in new field environments due to shifts between training and test data distributions. To address this limitation, we proposed a self-training framework using a teacher–student model that adapts CNNs for diverse agricultural contexts. Our method enhances generalization by co-training the student model on both the source domain and pseudo-labelled target domain generated by the teacher model, with teacher parameters updated via an exponential moving average of the student’s model. The main contributions of this work are as follows: (1) we simplified the self-training procedure by using all target predictions, skipping the selection phase, and applying local dynamic weights (LDW) for target pixels during co-training; (2) we optimized iteration by monitoring covariance fluctuations to avoid pseudo-label overfitting and reduced the impact of false labels; (3) we addressed class imbalance with dynamic class weights (DCW) to give more importance to minority classes; and (4) we formulated a loss function integrating both LDW and DCW into the soft intersection over union (softIoU), enhancing weed segmentation effectiveness. We evaluated our framework with the ROSE challenge dataset across eight adaptations involving varied plants, robots, and growth stages, achieving up to a 0.17 mean IoU improvement over popular methods like CycleGAN. Our approach demonstrated consistent performance across diverse agricultural environments, supporting its use in real-field inference. • We introduced a self-training framework for weed segmentation. • Four novel strategies were developed to enhance the performance. • The method was evaluated on datasets with varying domain gaps. • It is demonstrated generalization across different robots and growth stages. • The experimental code is publicly available for future research.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».