.png){kind=icon}
返回
A Spatial Dense CRF Framework for Post-processing in Multispectral Image Segmentation
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-031-99565-1_2.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
图像分割在许多领域发挥着关键作用，特别是在精准农业中，对作物和植被的准确分类对于优化农业实践至关重要。多光谱成像通过提供可见光范围之外的谱信息来增强分割性能，使其实际应用效果更佳。深度学习模型在多光谱图像分割中取得了显著成功，但其预测结果往往缺乏空间一致性，导致分割输出存在噪声，从而可能对农业决策产生负面影响。为应对这一挑战，我们提出了一种空间密集的条件随机场（CRF）框架，用于后处理基于深度学习的分割结果。与仅依赖sigmoid激活函数对logits进行阈值化不同，我们的方法通过利用像素间的空间依赖关系来优化分割输出。该方法涉及基于训练数据估计CRF参数，并将优化后的模型应用于测试集logits，从而提升分割性能。通过整合空间信息，所提出的框架提高了分割结果的一致性和鲁棒性，最终有助于精准农业中的更好决策。
Keyword:
Multispectral Image Segmentation
Spatial Dense CRF
Precision Agriculture
期刊
P
IF:
0
论文数:
35
被引数:
0
机构
引用论文
Evolution of Image Segmentation using Deep Convolutional Neural Network: A Survey基于深度卷积神经网络的图像分割研究进展综述
OAAI
OAAI分享收藏
Convolution neural network in precision agriculture for plant image recognition and classification
PREAI
分享收藏weedNet: Dense Semantic Weed Classification Using Multispectral Images and MAV for Smart FarmingOAAI
OAAI分享收藏AgriSegNet: Deep Aerial Semantic Segmentation Framework for IoT-Assisted Precision AgricultureAgriSegNet: 物联网辅助精准农业的深度航空语义分割框架.png)
IEEE SENSORS JOURNAL
IEEE SENSORS JOURNALIF4.5
PREAI
分享收藏
查看更多内容