限られたデータにおける小麦の病害セグメンテーションのための、意味的プリオルと幾何学的プリオルの相乗化の学習

Abstract

小麦の病害セグメンテーションは精密農業における基盤ですが、生育段階にまたがるクラス内の大きな時間的変動によって深刻な課題に直面しています。このような外観の大幅な変化は、ゼロからトレーニング用の代表的データセットを収集することを、労力的にも現実的にも困難にします。そこで本研究では、限られたデータのもとで小麦の病害セグメンテーションを、疾患固有の意味認識と疾患境界の位置特定をカップリングした課題として扱う、Semantic-Geometric Prior Synergization（SGPer）フレームワークを提案します。私たちの核となる着想は、事前学習済みのDINOv2が外観変化に対処するための、カテゴリに基づく堅牢な意味的事前知識（セマンティック・プライア）を提供することであり、これを粗い空間プロンプトへと変換して、SAMが病害境界を正確に局在化できるよう導く点にあります。具体的には、SGPerは複数の病害に適したフィルタとインサートを備えた疾患に敏感なアダプタを設計し、DINOv2とSAMの両方に挿入することで、事前学習された表現を疾患固有の特徴に整合させます。このシナジーを実運用するために、SGPerはDINOv2由来の特徴を、密なカテゴリ固有のポイント・プロンプトへと変換し、すべての病害領域に対する空間的な包括的カバレッジを確保します。続いて、プロンプトの冗長性を除去し、非常に高精度なマスク生成を実現するために、SGPerは、SAMの反復的なマスクの信頼度を、DINOv2から得られるカテゴリ固有の意味的一貫性と突き合わせることで、これらの密な候補を動的にフィルタリングします。最終的にSGPerは、SAMの幾何学的事前知識を活性化させるための、非常に有益な一組のプロンプトへと蒸留し、時間的な外観変化に対して厳密に不変でありながら、正確で頑健なセグメンテーションを達成します。大規模な評価により、SGPerは、小麦の病害および器官セグメンテーションのベンチマークにおいて、特にデータが制約された状況で、常に最新（state-of-the-art）の性能を一貫して達成することが示されています。