AgMIC: Agricultural Masked Image Consistency for Cross-Domain Segmentation
Notice bibliographique
Résumé
Canola crop segmentation is critical for monitoring crop coverage and health, and identifying growth variability. It allows farmers to implement variable rate applications based on localized crop conditions. Recent advances in deep learning (DL) have shown promising results for crop segmentation using high-resolution imagery. Although DL-based models perform well on their source domain (ground vehicle imagery), they exhibit significant performance drops when applied to the target domain (unmanned aerial vehicles). This degradation occurs due to substantial differences in viewing perspective, image resolution, object appearance scale, and spatial context between the two domains. To bridge this domain gap, this paper presents agricultural masked image consistency (AgMIC), an enhanced unsupervised domain adaptation (UDA) framework for cross-domain canola crop segmentation. Unlike existing MIC method that employs random masking strategies, AgMIC introduces agricultural pattern-aware masking, which leverages crop density patterns to preserve structural field information for enhanced cross-domain contextual understanding. Additionally, it incorporates confidence-aware pseudo-label enhancement with adaptive thresholding to filter unreliable predictions. Experimental results demonstrate that AgMIC achieves superior performance with a mean intersection over union of 0.7603, outperforming state-of-the-art UDA methods, including MIC (0.7436), RUDA (0.7326), and HRDA (0.7248).
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 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 ».