Radial Loss for Few-Shot Instance Segmentation of Densely Cultivated Crops

方法

径向损失沿质心射线监督前景概率，动态搜索聚焦边界区域。

发现

10-shot设置下平均mAP比基线提升7.7个百分点。

机会点

可将径向结构先验推广到其他莲座状作物及与基础分割模型结合。

实例分割（instance segmentation）是精准农业中诸如单株生长监测和收获期预测等任务的关键技术。然而，在作物密集种植的真实智慧农场环境中，实例分割面临两个实际挑战。首先，由于像素级标注成本高昂，通常只能获得少量标注图像。其次，相邻植株之间严重的叶片重叠导致边界模糊，从而降低分割精度。为提升分割性能，已有研究探索将目标对象的结构先验引入学习过程。然而，现有方法需要重新设计激活函数或单独的优化模块，难以与基础模型（foundation models）集成，且大多局限于单目标语义分割。为解决上述局限，我们提出“径向损失”（radial loss），一种辅助损失函数，通过沿从每个实例质心射向其边界的射线监督预测的前景概率，显式捕捉莲座状作物的径向凸结构。我们进一步引入“动态搜索”（dynamic search），一种阈值触发的采样机制，在验证集mAP超过预设阈值后，将监督集中于边界区域。在三个生菜数据集上的实验表明，在极端10样本（10-shot）设置下，所提方法较基线平均mAP提升7.7个百分点，证明了其在标签稀缺、密集种植环境中的有效性。