A dynamic multi-scale feature fusion and hierarchical attention network for leaf segmentation
Fei Liu · Yingjie Fan · Mingtao Zhou 等 6 人
提出动态多尺度特征融合与层级注意力网络，用于叶片实例分割，提升精度。
使用方向感知多尺度特征聚合编码器、密集特征聚合解码器及可学习特征融合模块。
在三个数据集上取得最佳Dice分数，尤其在尺度变化和密集重叠场景表现优异。
可探索将DMSHA-Net应用于更多作物类型或复杂田间环境，或结合轻量化设计用于实时表型分析。
提出DMSHA-Net网络，在多个植物叶片分割数据集上取得领先性能，对农业表型分析有实质推进。
准确的叶片实例分割是基于图像植物表型分析中量化形态与结构特征的基础。然而，叶片在尺度、形状和方向上的显著差异，加之密集重叠和遮挡，常导致实例边界模糊不清。此外，重复的下采样和特征重建会逐步侵蚀细微的结构细节，妨碍轮廓保持及相邻叶片的分离。为应对这些相互关联的挑战，我们提出了DMSHA-Net，一种用于叶片实例分割的动态多尺度特征融合与层次注意力网络。其方向感知的多尺度特征聚合（MSFA）编码器在多个感受野尺度上捕获互补的水平和垂直上下文信息，从而增强对不同叶片形态的表征能力。密集特征聚合（DFA）解码器通过阶段特定的注意力机制选择性地整合深层语义特征与浅层结构特征，其中在粗分辨率下的自注意力建模长距离依赖关系，而在高分辨率下的轻量级通道重校准则细化局部结构和边界。可学习特征融合（LFF）模块随后利用归一化的学习权重整合多层次语义与边界特征。DMSHA-Net在KOMATSUNA、MSU-PID和CVPPP-A1子集上分别取得了93.17%、85.12%和90.91%的最佳Dice（BD）分数，相应的前景-背景Dice（FBD）分数分别为98.19%、91.02%和98.24%。这些结果表明，DMSHA-Net在三个数据集上均实现了具有竞争力的分割性能，尤其在涉及显著尺度变化和密集叶片重叠的场景中表现突出。