arXiv (Cornell University)·9月22日 · 周二论文农业遥感与作物表型阅读 0
RootQuantV2: Adapting a Vision Foundation Model for Root-Trait Regression from Minirhizotron Imagery
Kinjalk Parth · Sebastian Varela · Andrew D. B. Leakey
arXiv (Cornell University)开放获取 PDF ↗
论文解读
77精选
速览
用冻结DINOv3 ViT微调回归，从微根管图像直接预测根系长度和面积。
方法
冻结DINOv3 ViT-L/16，混合参数高效微调，仅训11.9M参数。
发现
长度和面积R²达0.950和0.930，RMSE比RootQuant降低24.3%/20.7%。
机会点
可探索将此类基础模型回归范式迁移到其他稀缺标注的田间表型性状，并融合多模态数据。
影响力16
信息增量22
专业深度18
信源权威13
时效性8
将自监督视觉基础模型用于微根管图像根系性状回归，仅训练3.78%参数即显著提升精度，为田间根系高通量表型提供可复用方案。
原文摘要
田间作物根系性状缺乏高通量表型分析解决方案，严重制约了对地下性状与过程的理解和改良。微根管（minirhizotron）是田间环境下标准的非破坏性根系表型分析方法。实现规模化自动化性状估计需要计算机视觉解决方案，但训练数据稀缺，且人工标注往往难以获取，因为这些标注存于专有软件中，而该软件仅能导出每幅图像根系长度和表面积的标量汇总值。尽管如此，这些根系性状的大型数值档案已经存在。RootQuant表明，可通过回归直接从整幅图像预测这些性状，从而将人工勾画的分割掩膜从流程中移除；RootQuantV2进一步推进了这一思路，将RootQuant的CNN骨干网络替换为自监督ViT。我们采用混合参数高效方案对冻结的DINOv3 ViT-L/16进行适配。仅训练11.9M参数（占模型的3.78%），RootQuantV2在长度和面积上的$R^2$分别达到0.950和0.930，同时相较RootQuant将长度/面积RMSE降低了24.3%/20.7%。因此，RootQuantV2将遗留数值档案重新用于高通量、自动化的根系性状估计。
信源（1 个）