Resumen - CA-Cut: Recorte Alineado al Cultivo para la Aumento de Datos para Aprender una Navegación Bajo el Canopy más Robusta

CA-Cut: Recorte Alineado al Cultivo para la Aumento de Datos para Aprender una Navegación Bajo el Canopy más Robusta

2025-07-23 17:41:55

{"Robel Mamo","Taeyeong Choi"}

{cs.RO,cs.CV}

Este documento propone CA-Cut, una nueva técnica de ampliación de imágenes diseñada específicamente para entrenar modelos de percepción robustos para la navegación visual bajo copetes agrícolas complejos. La clave motivación es que los métodos existentes dependen fuertemente de técnicas de ampliación de datos como Cutout, pero a menudo producen resultados subóptimos en entornos desafiantes con occlusiones frecuentes y espaciado variable de filas de cultivo. CA-Cut aborda esta limitación al biasar la colocación de máscaras con valor cero hacia las filas de cultivo en las imágenes de entrada. Esto incentiva al modelo a aprender características contextuales de alto nivel relacionadas con la posición de las filas de cultivo, incluso cuando se obstaculizan detalles finos. Aquí hay una descomposición de los puntos clave: - El problema: La navegación visual bajo copetes agrícolas es desafiante debido a occlusiones frecuentes, desechos y espaciado variable de filas de cultivo. - La motivación: Las técnicas de ampliación tradicionales como Cutout son insuficientes en entornos complejos. - La solución: CA-Cut introduce una máscara guiada espacialmente que biasa la colocación de la máscara hacia las filas de cultivo. - El impacto: CA-Cut mejora significativamente la precisión del modelo y la generalización a entornos diversos en comparación con los métodos tradicionales. El mejor modelo CA-Cut reduce el error en un 36,9% en comparación con el punto de partida. Las contribuciones principales de este trabajo son: 1. El método CA-Cut introduce una máscara guiada espacialmente que se enfoca específicamente en las filas de cultivo para incentivar el aprendizaje de características robustas para la predicción de puntos clave en la navegación subcopete. 2. El método CA-Cut es efectivo para mejorar el rendimiento de los modelos de percepción en entornos diversos y desafiantes, particularmente para tareas relacionadas con la agricultura como la predicción de puntos clave. En resumen, el método CA-Cut ofrece una solución prometedora para abordar los desafíos de la navegación visual bajo copetes agrícolas complejos. Su enfoque de máscara guiada espacial ayuda al modelo a aprender características robustas relacionadas con las filas de cultivo, incluso en presencia de occlusiones y desorden visual.