Decoder-Aware Self-Supervised Continual Pretraining and Uncertainty-Guided Pseudo-Labeling for Wheat Organ Segmentation
Notice bibliographique
Résumé
Accurate segmentation of wheat organs—spikes, leaves, and stems—is critical for plant phenotyping but remains a challenge due to domain variability and limited labeled data. In this work, we propose a label-efficient segmentation framework that utilizes only 99 labeled samples from the GWFSS dataset. Our approach begins with a continual decoder-aware pretraining (DeCon-ML), where a ConvNeXt-L encoder (initialized with ImageNet1K weights) is paired with a Feature Pyramid Network (FPN) decoder and pretrained on 64,368 unlabeled wheat images in two stages: training the decoder while keeping the encoder frozen, followed by joint encoder-decoder pre-training. For fine-tuning, we train ConvNeXt-L models on the labeled set with 99 samples, initialized with ImageNet- 1K and GWFSS-pretrained weights, and ensemble them to leverage complementary representations. We further enhance generalization by incorporating pseudo-labels, chosen based on feature-space similarity to the labeled set and filtering out low-confidence predictions through uncertainty estimation. We also incorporate a BEiT-L model trained only on the training set and ensembled with ConvNext-L models to achieve our best results. Our proposed approach achieves a mean Intersection over Union (mIoU) of 73.61 and 67.88, respectively, on the validation and test set of the GWFSS dataset, effectively segmenting all four classes (spikes, leaves, stems, background) under varying conditions. This study demonstrates how combining continual pretraining, similarity-aware candidate selection and uncertainty-guided pseudo-labeling can significantly improve semantic segmentation with minimal supervision in agricultural vision. Code is available at https://github.com/tapu1996/DeCon-UGPL-GWFSS.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».