跳到正文
arXiv · 机器人与计算机视觉· Gedeon Muhawenayo, Caleb Robinson, Subash Khanal, Zhanpei Fang, Isaac Corley, Alexander Wollam, Tianyi Gao, Leonard Strnad, Ryan Avery, Lyndon Estes, Ana M. T\'arano, Nathan Jacobs, Hannah Kerner·· 2026-10-07AI 评分38

PRUE:大规模农田边界分割的实用配方

PRUE: A Practical Recipe for Field Boundary Segmentation at Scale

AI 导读

PRUE 提出结合 U-Net 骨干、复合损失函数及针对性数据增强的新方案,在 Fields of The World 基准测试中实现 76% IoU 和 47% object-F1,较基线分别提升 6% 与 9%。该方法经 18 个模型统一实验验证优于实例分割与世界模型替代方案,已开源五国模型及衍生数据集。该研究被 CVPR 2026 接收,为农业监测提供可靠、可扩展且可复现的边界划分框架。

来源:arXiv · 机器人与计算机视觉 · arxiv.org