摘要

叶部分割是实现高通量植物表型数据分析及复杂性状定量研究最直接且高效的方法。当前，植物表型分析的主要目标是提升自主表型测量的准确性。本文提出了一种名为LeafMask的新型端到端神经网络模型，用于精确 delineate（勾勒）每一叶片区域并统计叶片数量。该模型包含两个核心组件：1）掩码组装模块，在经过非极大值抑制（NMS）后，将每个预测框的位置敏感特征与相应系数融合，生成初始掩码；2）掩码精炼模块，通过点选择策略与预测器，对掩码组装模块输出的掩码进行精细化处理，以更准确地刻画叶片边界。此外，我们还设计了一种新颖且灵活的多尺度注意力模块，用于双注意力引导掩码（DAG-Mask）分支，有效增强特征表达能力，生成更精确的掩码基础。本研究的主要贡献在于，在无锚点实例分割框架下，通过融合掩码组装模块与掩码精炼模块，生成最终优化的掩码结果。我们在Leaf Segmentation Challenge（LSC）数据集上进行了大量实验验证，结果表明，所提出的LeafMask模型取得了90.09%的BestDice分数，优于现有其他先进方法。