Zusammenfassung - CA-Cut: Ausrichtung des Schnitts auf das Feld (Crop-Aligned Cutout) zur Datenvergrößerung, um eine robustere Unterbaumnavigation zu lernen

CA-Cut: Ausrichtung des Schnitts auf das Feld (Crop-Aligned Cutout) zur Datenvergrößerung, um eine robustere Unterbaumnavigation zu lernen

2025-07-23 17:41:55

{"Robel Mamo","Taeyeong Choi"}

{cs.RO,cs.CV}

Dieser Paper schlägt CA-Cut, eine neue Bildvergrößerungstechnik vor, die speziell zur Schulung robuster Perzeptionsmodelle für visuelle Navigation unter komplexen landwirtschaftlichen Kronen entwickelt wurde. Die Hauptmotivation ist, dass bestehende Ansätze stark auf Datenvergrößerungstechniken wie Cutout angewiesen sind, aber sie erzeugen oft suboptimale Ergebnisse in anspruchsvollen Umgebungen mit häufigen Verdeckungen und variabler Reihenabstandung. CA-Cut behebt diese Einschränkung, indem die Platzierung der maskenlosen Werte gezielt auf die Reihen der Eingangsbilder ausgerichtet wird. Dies ermutigt das Modell, hochrangige kontextuelle Merkmale zu lernen, die mit der Position der Reihen in Verbindung stehen, selbst wenn feingliedrige Details verdeckt sind. Hier ist eine Zusammenfassung der wichtigsten Punkte: - Das Problem: Visuelle Navigation unter landwirtschaftlichen Kronen ist aufgrund häufiger Verdeckungen, Schutt und variabler Reihenabstandung herausfordernd. - Die Motivation: Traditionelle Vergrößerungstechniken wie Cutout sind in komplexen Umgebungen unzureichend. - Die Lösung: CA-Cut führt eine räumlich gelenkte Maskierung ein, die die Maskenplatzierung gezielt auf die Reihen ausrichtet. - Der Einfluss: CA-Cut verbessert die Modellgenauigkeit und Generalisierung zu verschiedenen Umgebungen erheblich im Vergleich zu traditionellen Methoden. Das beste CA-Cut-Modell verringert den Fehler um 36,9% im Vergleich zum Basismodell. Die Hauptbeiträge dieser Arbeit sind: 1. Die CA-Cut-Methode führt eine räumlich gelenkte Maskierung ein, die speziell auf die Reihen abzielt, um das Lernen robuster Merkmale für die Punktevorhersage in unter-Kronen-Navigation zu fördern. 2. Die CA-Cut-Methode ist effektiv, um die Leistung von Perzeptionsmodellen unter verschiedenen und anspruchsvollen Umgebungen zu verbessern, insbesondere für landwirtschaftliche Aufgaben wie Punktevorhersage. Insgesamt bietet die CA-Cut-Methode eine vielversprechende Lösung für die Bewältigung der Herausforderungen der visuellen Navigation unter komplexen landwirtschaftlichen Kronen. Sein räumlich gelenkter Maskierungsansatz hilft dem Modell, robuste Merkmale in Verbindung mit den Reihen zu lernen, selbst bei Anwesenheit von Verdeckungen und visuellem Durcheinander.