在水果行业，深度学习与产量预测和自动采摘等任务的集成至关重要。然而，由于其劳动密集型性质，训练数据标签的过程仍然是一个挑战。植物表型学最近发表了一项题为"DomAda FruitDet:用于自动标记的域自适应无锚果实检测模型"的研究，旨在解决合成训练数据和真实世界应用数据之间存在的"域差距"。这种差距通常表现为前景对象比例和背景一致性的差异。
该研究引入了 DomAda FruitDet 模型，该模型通过样本分配结合了基于双预测层的前景域自适应结构和背景域自适应策略。这种方法旨在减少领域差距，从而增强模型的泛化能力。DomAda FruitDet 在各种水果数据集中展示了令人印象深刻的平均精度得分，包括苹果（90.9%）、番茄（90.8%）、火龙果（88.3%）和芒果（94.0%）。
通过对 EasyDAMv1 和 EasyDAMv2 数据集的实验进一步证实了该模型的有效性，这些数据集包括合成和实际水果图像。DomAda FruitDet 在面对重大领域差异时自适应生成高质量标签的能力已经得到验证，这表明数据标记所需的劳动力和时间显著减少。这一进步有望部署更准确、更高效的智能果园技术，通过增强深度学习模型的适用性，潜在地革命性地改变农业实践。
来源：phys.org