Résumé - CA-Cut : Coupe-Aligned pour l'Augmentation des Données pour une Navigation sous Canopée Plus Robuste

CA-Cut : Coupe-Aligned pour l'Augmentation des Données pour une Navigation sous Canopée Plus Robuste

2025-07-23 17:41:55

{"Robel Mamo","Taeyeong Choi"}

{cs.RO,cs.CV}

Ce document propose CA-Cut, une nouvelle technique d'augmentation d'image spécialement conçue pour entraîner des modèles de perception robustes pour la navigation visuelle sous des canopies agricoles complexes. La motivation clé est que les approches existantes dépendent fortement des techniques d'augmentation des données comme Cutout, mais elles produisent souvent des résultats suboptimaux dans des environnements délicats où les ombres fréquentes et les espacements de rangs variables sont présents. CA-Cut remédie à cette limitation en biaisant le placement des masques de valeur nulle vers les rangs de cultures dans les images d'entrée. Cela encourage le modèle à apprendre des caractéristiques de contexte de haut niveau liées aux positions des rangs de cultures, même lorsque des détails fins sont obstrués. Voici une analyse des points clés : - Le problème : La navigation visuelle sous des canopies agricoles est difficile en raison des ombres fréquentes, des débris et des espacements de rangs de cultures variables. - La motivation : Les techniques d'augmentation traditionnelles comme Cutout sont insuffisantes dans des environnements complexes. - La solution : CA-Cut introduit un masquage guidé spatialement qui baise le placement des masques vers les rangs de cultures. - L'impact : CA-Cut améliore considérablement l'exactitude du modèle et sa généralisation à divers environnements par rapport aux méthodes traditionnelles. Le meilleur modèle CA-Cut réduit l'erreur de 36,9 % par rapport à la méthode de base. Les contributions principales de cette recherche sont : 1. La méthode CA-Cut introduit un masquage guidé spatialement qui cible spécifiquement les rangs de cultures pour encourager l'apprentissage de caractéristiques robustes pour la prédiction de points clés dans la navigation sous la canopée. 2. La méthode CA-Cut est efficace pour améliorer les performances des modèles de perception dans des environnements divers et délicats, en particulier pour des tâches liées à l'agriculture comme la prédiction de points clés. Dans l'ensemble, la méthode CA-Cut offre une solution prometteuse pour répondre aux défis de la navigation visuelle sous des canopies agricoles complexes. Son approche de masquage guidé spatialement aide le modèle à apprendre des caractéristiques robustes liées aux rangs de cultures, même en présence d'ombres et de désordre visuel.