PlantC2USeg: Cross-Scale Consistent Pre-Training for Few-Shot Unified Plant Point Cloud Segmentation
Yu Tian · Xintong Jiang · Jan Adamowski 等 5 人
提出PlantC2USeg，通过跨尺度一致性预训练实现少样本植物点云分割。
跨尺度一致性学习与信息受限解码策略，用于深度迁移学习预训练。
在多个数据集上少样本分割性能最优，且跨物种迁移有效。
可探索跨尺度一致性在更多农业点云任务中的应用，或结合自监督学习减少标注依赖。
提出跨尺度一致预训练框架，显著提升植物点云分割的少样本泛化能力，对智慧农业表型分析有实质推进。
现代作物育种需要精确的器官级分析以实现性状量化，这使得植物点云分割（PPCS）日益重要。然而，传统深度学习方法严重依赖密集标注的数据集，而这类数据集的获取劳动强度大。在分布偏移的样本上进行统一PPCS适配且仅需最少额外训练，仍具挑战性。为此，我们提出PlantC2USeg，一种深度迁移学习框架，其特点在于跨尺度一致性学习以显式对齐不同空间尺度的特征，以及信息受限解码策略，该策略防止重建捷径并促进稳健适配。由此产生的预训练支持跨物种和传感条件下的稳定少样本泛化，而继承阈值的统一微调进一步降低了适配开销。在Soybean3D上的全监督条件下，PlantC2USeg在比较方法中实现了最高的语义IoU和实例mWCov，分别为91.91%和94.62%。使用20个标注样本时，其在两项指标上均领先，达到89.78%和90.27%；仅使用10个样本时，其仍保持最高的mWCov（83.23%），同时IoU达到83.19%。在HR3D上，对烟草、番茄和高粱的10样本迁移平均IoU为78.41%，mWCov为79.42%；对SYAU-Maize的22样本迁移则实现了最高的IoU和mRec，分别为92.75%和93.51%。此外，在ShapeNet Part上领先的类别平均mIoU达85.0%，表明该框架具备处理农业领域之外多样化形状变化的能力。这些结果表明，PlantC2USeg在分布偏移下减少了总体适配工作量，实现了可扩展的植物表型分析以及超越农业领域的可迁移3D表示学习。