• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于改進(jìn)BiSeNetV2的甜菜與雜草識別方法研究

    2025-04-29 00:00:00項新建肖家樂湯卉胡海斌張穎超袁天順

    摘要:針對現(xiàn)有的語義分割網(wǎng)絡(luò)在復(fù)雜光照條件下識別實時性差、對雜草與作物重疊區(qū)域易誤分類的問題,以甜菜和雜草作為識別對象,提出融合頻率特征的實時分割網(wǎng)絡(luò)FA—BiSeNetV2。首先,以BiSeNetV2模型中的語義分支為出發(fā)點,在各聚集擴(kuò)展層后加入二維離散余弦變化層提取出不同層次的頻率特征;其次,對頻率特征采用自適應(yīng)頻率處理模塊以解析場景數(shù)據(jù)分布,將處理后的各階段頻率特征加權(quán)求和得到多層次頻率特征;最后,采用多尺度空間頻率融合模塊對聚合層特征和多層次頻率特征從全局和局部兩個方面進(jìn)行融合,實現(xiàn)空間特征重構(gòu)。在公開數(shù)據(jù)集RoniRob的試驗結(jié)果表明,F(xiàn)A—BiSeNetV2模型的平均交并比達(dá)87.12%,平均像素精度為93.04%,相比BiSeNetV2模型,分別提高4.71%、6.87%,參數(shù)量僅為3.138 M。

    關(guān)鍵詞:甜菜;雜草識別;頻率特征;語義分割;輕量化;實時分割

    中圖分類號:S451; TP391" " " 文獻(xiàn)標(biāo)識碼:A" " " 文章編號:2095?5553 (2025) 04?0101?07

    Research on the identification method of sugar beet and weeds

    based on a modified BiSeNetV2 algorithm

    Xiang Xinjian, Xiao Jiale, Tang Hui, Hu Haibin, Zhang Yingchao, Yuan Tianshun

    (Zhejiang University of Science and Technology, Hangzhou, 310023, China)

    Abstract: In response to the challenges faced by existing semantic segmentation networks, which were struggled with real?time recognition in complex lighting conditions and tended to misclassify weed and crops in overlapping regions, a real?time segmentation network called FA—BiSeNetV2 was proposed, which integrated frequency features for the recognition of sugar beets and weeds. Taking the semantic branch of the BiSeNetV2 model as the starting point, this approach achieved frequency feature extraction at different levels by adding 2D discrete cosine transform layers after each gather and expansion layer. The extracted frequency features were then subjected to an adaptive frequency processing module to analyze the distribution of scene data. This approach also involved combining the processed frequency features from various stages through weighted summation to obtain multi?level frequency features. Finally, a multi?scale spatial frequency fusion module was introduced to merge features from aggregation layers and multi?level frequency features, achieving spatial feature reconstruction from global and local perspectives. The experiments results of RoniRob in the publicly available dataset showed that the mean intersection over of FA—BiSeNetV2 model was 87.12% and the mean pixel accuracy was 93.04%, which were higher than the BiSeNetV2 model by 4.71% and 6.87%, respectively, the FA—BiSeNetV2 model was highly efficient with only 3.138 M parameters.

    Keywords: sugar beet; weed recognition; frequency feature; semantic segmentation; lightweighting; real?time segmentaton

    0 引言

    雜草與作物爭奪生長資源,對農(nóng)業(yè)生產(chǎn)有著嚴(yán)重危害[1],檢測并根除雜草對保證作物健康生長起重要作用。目前主要的除草方式有4種:預(yù)防除草、生物除草、機(jī)械除草、化學(xué)除草[2],這4種傳統(tǒng)除草方式操作對象是整個農(nóng)田區(qū)域,但對無雜草區(qū)域進(jìn)行操作時會增加生產(chǎn)成本,也會造成藥物殘留從而影響環(huán)境[3],靶向除草技術(shù)通過精準(zhǔn)識別雜草區(qū)域進(jìn)行除草操作可以有效提高農(nóng)業(yè)經(jīng)濟(jì)效益[4]。近年來,隨著圖像語義分割的不斷發(fā)展[5],其在作物雜草識別領(lǐng)域取得很好的效果[6]。Milioto等[7]通過RGB圖像數(shù)據(jù)實時識別甜菜和雜草,提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的語義分割方法,將初始圖像與提取的傳統(tǒng)圖像特征按通道疊加后傳入模型進(jìn)行訓(xùn)練,在復(fù)雜環(huán)境下達(dá)到較好的泛化效果。孫俊等[8]將增強(qiáng)的RGB圖像與近紅外圖像結(jié)合作為輸入,構(gòu)建一種基于深度可分離卷積的輕量級甜菜雜草識別模型。Khan等[9]提出一種基于級聯(lián)編解碼網(wǎng)絡(luò)的語義分割模型CED—Net,通過級聯(lián)訓(xùn)練4個小型網(wǎng)絡(luò)來獲得精細(xì)程度不同的雜草預(yù)測圖和作物預(yù)測圖,將這些預(yù)測組合起來產(chǎn)生最終結(jié)果。Yang等[10]為解決多尺度、復(fù)雜背景條件下的雜草分割任務(wù),采用多個非對稱條帶卷積核對特征進(jìn)行提取,提出一種基于多尺度特征卷積注意力網(wǎng)絡(luò)MSFAC—Net。王璨等[11]提出基于移位窗口Transformer網(wǎng)絡(luò)的玉米田間雜草識別方法,利用形態(tài)學(xué)方法獲取包括雜草在內(nèi)所有植物區(qū)域的分割掩碼,單獨將幼苗期玉米圖像作為對象人工生成標(biāo)簽并放入深度學(xué)習(xí)網(wǎng)絡(luò)訓(xùn)練,從分割掩碼中剔除玉米幼苗預(yù)測結(jié)果,通過一系列形態(tài)學(xué)優(yōu)化掩碼后得到雜草分割圖。

    上述雜草識別算法較好地實現(xiàn)了雜草和作物區(qū)域分割,但在弱光或亮度變化不均勻環(huán)境下,模型僅通過RGB圖像難以利用紋理等細(xì)節(jié)信息對雜草和作物分割識別,特別是對于重疊區(qū)域易將作物像素分類成雜草像素造成分割精度下降,若額外增加紅外圖像則會導(dǎo)致成本上升。針對以上問題,本文構(gòu)建頻率分支來降低光照敏感程度進(jìn)一步加強(qiáng)圖像紋理和結(jié)構(gòu)信息的提取,從BiSeNetV2的語義分支引出頻率信息來指導(dǎo)聚合層空間特征重構(gòu),建立模型FA—BiSeNetV2,為后續(xù)復(fù)雜光照條件下的智能除草設(shè)備的研發(fā)提供理論依據(jù)。

    1 BiSeNetV2模型概述

    BiSeNetV2[12]繼承了BiSeNet[13]的雙邊網(wǎng)絡(luò)結(jié)構(gòu),將低層次細(xì)節(jié)特征與高層次的語義特征相結(jié)合以獲取實時、精準(zhǔn)的分割結(jié)果。如圖1所示,BiSeNetV2中細(xì)節(jié)分支采用不同參數(shù)的卷積塊來捕獲尺寸大、通道層數(shù)少的特征用作豐富空間信息,語義分支旨在捕獲具有較大的接受域的高級語義特征。

    語義分支的第一部分使用起始塊對輸入數(shù)據(jù)降采樣實現(xiàn)基本的初始特征處理;第二部分構(gòu)建輕量化結(jié)構(gòu)的聚集擴(kuò)展層將特征逐步擴(kuò)展到更高通道維度來獲取復(fù)雜的語義信息;第三部分利用上下文嵌入塊來獲取高級語義進(jìn)一步增大感受野;最后BiSeNetV2引入雙邊引導(dǎo)聚合層在不同尺度上利用語義分支上下文信息指導(dǎo)細(xì)節(jié)分支特征響應(yīng),將此處獲取到的融合淺層空間信息和深層語義信息的特征輸出解碼頭中以達(dá)到分割效果?;谏疃缺O(jiān)督理論,模型在語義分支加入一系列輔助解碼頭用作訓(xùn)練階段增強(qiáng)特征表征能力。

    2 FA—BiSeNetV2網(wǎng)絡(luò)搭建

    BiSeNetV2的構(gòu)建較為依賴基于像素強(qiáng)度的上下文信息,在不均勻照明條件下不一定可靠。不同光照條件的圖像在整體頻率分布下存在不同,另外圖像對曝光不足或過度的局部區(qū)域在高頻分布存在較大的差異[14]。在BiSeNetV2基礎(chǔ)上,設(shè)計多層次頻率分支和空間頻率融合分支來動態(tài)調(diào)整各頻率分量從而指導(dǎo)空間域中的通道響應(yīng),以達(dá)到通過空間和頻率信息對上下文特征的提取。

    2.1 多層次頻率分支

    2.1.1 二維離散余弦變化層

    2.1.2 自適應(yīng)頻率處理層

    由于復(fù)雜光照條件下圖像頻率分布更加離散[14],多變的頻率分布會導(dǎo)致模型對場景無法正確解析從而影響性能,對提取的頻率特征進(jìn)行自適應(yīng)變化以應(yīng)對多變數(shù)據(jù)分布顯得尤為重要。受自適應(yīng)加權(quán)融合[17]啟發(fā),提出自適應(yīng)頻率處理層,如圖2所示,包含4個部分,第一部分為殘差分支,即各聚集擴(kuò)展層語義特征處理后的多譜頻率特征[Vmfreq];第二部分采用最大池化層(Max Pooling)突出并保留頻率特征中主要的頻率分量,有助于模型關(guān)注數(shù)據(jù)中的重要頻率信息;第三部分采用平均池化層(Average Pooling)來減少高頻噪聲的影響并保證整體頻率特征趨勢;第四部分采用分組卷積(Group Convolution)在保證較低參數(shù)量的同時通過分組方式學(xué)習(xí)適當(dāng)?shù)念l率特征表出,實現(xiàn)對復(fù)雜頻率分布區(qū)域較好的適應(yīng)效果。對上述4個部分處理后的頻率特征利用可學(xué)習(xí)參數(shù)先進(jìn)行加權(quán)求和,再通過3×3大小的卷積核進(jìn)行卷積操作(Conv)將頻率特征輸出通道數(shù)轉(zhuǎn)化為128,最后使用[Softmax]激活函數(shù)進(jìn)一步提取頻率特征并正則化處理避免過擬合,得到各層自適應(yīng)頻率特征[fmf∈R128×8×8],如式(5)所示。

    2.1.3 多層次頻率融合

    2.2 空間頻率融合分支

    2.2.1 多尺度空間頻率融合層

    采用學(xué)到的頻率特征來引導(dǎo)網(wǎng)絡(luò)對夜間場景進(jìn)行空間上下文特征建模,有助于網(wǎng)絡(luò)模型正確理解場景光照[14]。頻率特征全局、局部通道上下文信息分別作用于捕獲整體頻率分布和局部頻率特性,受多尺度空間注意力[18]啟發(fā),提出多尺度空間頻率融合層(MS—SFF),從不同尺度角度對兩個不同域的特征進(jìn)行融合,其空間域采用雙邊引導(dǎo)聚合層輸出特征[fb∈R128×16×16]。本文預(yù)先對多層次頻率特征[ff]利用雙線性插值擴(kuò)展尺寸至與[fb]相同,再對[ff]和[fb]采用3×3大小且填充為1的卷積操作將兩者通道數(shù)調(diào)節(jié)至128,過程如圖1所示。

    2.2.2 空間特征重構(gòu)

    2.3 損失函數(shù)

    采用交叉熵?fù)p失函數(shù)用作像素級分類,通過計算每個像素分類損失,激勵模型更好地完成分割任務(wù)。交叉熵?fù)p失LCE計算如式(11)所示。

    2.4 評價指標(biāo)

    3 試驗與分析

    3.1 數(shù)據(jù)集和試驗環(huán)境

    采用的甜菜與雜草圖像均來自公開數(shù)據(jù)集BoniRob[20],此數(shù)據(jù)集于2016年在德國波恩附近一個甜菜農(nóng)場拍攝,圖像分辨率為1 296像素×966像素,有甜菜、雜草、背景3個類別。選取2 173張RGB圖像及對應(yīng)標(biāo)簽制作成PASCAL VOC 2012格式的甜菜和雜草數(shù)據(jù)集,其中訓(xùn)練集1 492張圖片,驗證集373張圖片,測試集308張圖片,測試集均采用弱光條件下的圖像以驗證模型魯棒性。

    試驗環(huán)境:Ubuntu 18.04.6LTS64位系統(tǒng),搭載GPU型號為GTX2080Ti,Python版本為3.8,CUDA版本為11.6,基于Pytorch框架實現(xiàn)。模型采用帶權(quán)重衰減的自適應(yīng)矩估計算法(AdamW)進(jìn)行優(yōu)化,學(xué)習(xí)率為0.001,動量和權(quán)重衰減系數(shù)分別設(shè)置為0.9和0.000 5。采用多學(xué)習(xí)率調(diào)整策略的方法,首先對前500個迭代次數(shù)(Iterations)使用線性學(xué)習(xí)率調(diào)整策略(LinearLR)進(jìn)行預(yù)熱,將學(xué)習(xí)率從較小的值提高到正常值,結(jié)束后此策略后續(xù)不再生效;然后使用多步學(xué)習(xí)率調(diào)整策略(MultiStepLR)對學(xué)習(xí)率進(jìn)行自動調(diào)整直至訓(xùn)練結(jié)束,批處理大小設(shè)置為8,訓(xùn)練輪次(Epoch)設(shè)置為320,預(yù)處理階段將圖像隨機(jī)裁剪至512像素×512像素大小后輸入模型進(jìn)行訓(xùn)練。

    3.2 不同頻率分量數(shù)對比試驗

    為驗證各聚合擴(kuò)展層輸出的語義特征采用不同頻率分量數(shù)進(jìn)行轉(zhuǎn)化時對試驗效果的影響。根據(jù)語義特征通道數(shù)量選擇不同頻率個數(shù)搭配進(jìn)行對比,分別為(2,2,2)、(4,4,4)、(8,8,8)、(16,16,16)、(2,4,8)、(4,8,16),其中括號內(nèi)第一個數(shù)字表示第一個擴(kuò)展聚合層轉(zhuǎn)化中采用的頻率分量個數(shù),依此類推分別表示第二個和第三個。如表1所示,各層頻率分量個數(shù)為(2,4,8)時取得最佳精度,相較于配置為(8,8,8)在mIoU和mPA上分別提升0.8%、1.58%。

    3.3 分割頭不同輸出通道數(shù)對比試驗

    為研究分割頭使用不同輸出通道數(shù)對模型分割精度和參數(shù)量、計算量的影響,進(jìn)行對比試驗,其中原本的BiSeNetV2模型采用的FCN分割頭輸出通道數(shù)為1 024。以平均交并比、參數(shù)量、計算量作為評價指標(biāo),如表2所示,通過對模型FA—BiSeNetV2分別采用輸出通道數(shù)為640、720、1 024的FCN分割頭進(jìn)行對比分析。試驗結(jié)果可得,對比mIoU,F(xiàn)CN分割頭取輸出通道數(shù)為640時比通道數(shù)為720和1 024時分別高0.67%和0.66%,Param和FLOPS方面,分別降低0.093 M、0.379 G和0.445 M、1.82 G,因此,試驗配置輸出通道數(shù)選取640具有更好的分割效果。進(jìn)一步分析說明,針對本文分割任務(wù)降低輸出通道數(shù)可以引導(dǎo)模型學(xué)習(xí)更緊湊的特征表示,有助于減少冗余信息,提高模型的泛化能力,而輸出通道數(shù)過高時,模型可能會記住過多訓(xùn)練集的細(xì)節(jié),從而導(dǎo)致泛化性減弱。

    3.4 消融試驗

    為分析所提出的改進(jìn)方法對BiSeNetV2性能的影響,分別對二維離散余弦變化層、自適應(yīng)頻率處理層、多尺度空間頻率融合層進(jìn)行消融試驗。每組試驗使用相同的訓(xùn)練參數(shù),各改進(jìn)方法試驗效果如表3所示,“√”表示模型中采用了此改進(jìn)方法,“×”表示模型中未采用此改進(jìn)方法。BiSeNetV2—A使用二維離散余弦變化層,mIoU和mPA分別提升3.96%、5.97%,BiSeNetV2—B在BiSeNetV2—A的基礎(chǔ)上,加入自適應(yīng)頻率處理層,mIoU和mPA分別提升0.24%、0.44%,BiSeNetV2—C即為本文方法,在BiSeNetV2—B的基礎(chǔ)上加入多尺度空間頻率融合層,mIoU和mPA分別提升0.51%、0.46%,對比BiSeNetV2提升4.71%、6.87%。

    3.5 對比試驗

    為驗證模型的性能,以mIoU和mPA作為評測標(biāo)準(zhǔn)時,F(xiàn)A—BiSeNetV2模型的mIoU和mPA比最新架構(gòu)模型Segformer分別高1.77%、3.26%。相比于CGNet、Fast—SCNN、STDC2、MobileNetV3等輕量化網(wǎng)絡(luò),F(xiàn)A—BiSeNetV2網(wǎng)絡(luò)的mIoU和mPA分別提高9.37%、6.91%、5.22%、2.92%和10.91%、8.95%、6.38%、4.95%,結(jié)果如表4所示。

    在參數(shù)量和計算量方面,F(xiàn)A—BiSeNetV2相比于主流輕量化模型STDC2、MobileNetV3、Segformer,Param分別降低9.163 M、0.144 M、0.578 M,F(xiàn)LOPs比STDC2小0.362 G,比MobileNetV3、Segformer高2.69 G、3.497 G,本文模型參數(shù)量和計算量相對于CGNet、Fast—SCNN較高,但綜合分割精度,本文兼顧3個評價指標(biāo)實現(xiàn)較好的平衡。性能對比結(jié)果表明,F(xiàn)A—BiSeNetV2模型在保證參數(shù)量和計算量都較小的條件下實現(xiàn)分割精度提升,具備實時分割能力。圖4為不同模型在弱光且具有重疊情況下的對比效果圖。

    部分模型如CGNet、Fast—SCNN、STDC2、MobileNetV3難以在此環(huán)境下進(jìn)行正確的識別,易誤將甜菜區(qū)域分割成雜草區(qū)域,從Segformer分割效果圖分析得出甜菜幼苗區(qū)域中有較多的孔洞狀雜草區(qū)域,其模型受噪聲干擾較為嚴(yán)重。FA—BiSeNetV2識別效果圖表明,本文模型可在復(fù)雜光照條件下將重疊區(qū)域較為準(zhǔn)確地識別出雜草區(qū)域和甜菜區(qū)域,可以為后續(xù)的靶向除草工作提供理論參考。

    4 結(jié)論

    1) 根據(jù)數(shù)據(jù)集特點,提出一種融合頻率特征的甜菜雜草語義分割網(wǎng)絡(luò)FA—BiSeNetV2。通過消融試驗驗證頻率特征指導(dǎo)空間特征重構(gòu)的有效性,相比于BiSeNetV2模型,本模型mIoU和mPA分別高出4.71%和6.87%。

    2) 融入自適應(yīng)頻率處理模塊以適應(yīng)不同頻率分布,為后續(xù)開發(fā)應(yīng)對不同季節(jié)、不同光照下的雜草識別模型提供一種場景適應(yīng)策略。

    3) 提出一種多尺度空間頻率融合模塊,從局部和全局兩個方面利用頻率信息融合空間和頻率特征來重構(gòu)空間上下文信息,進(jìn)一步緩解頻率和空間特征融合不充分問題。

    4) 根據(jù)訓(xùn)練任務(wù)特點,為增強(qiáng)泛化能力、減少冗余信息,重新調(diào)整解碼頭輸出通道數(shù)以達(dá)到較好的實時效果和分割精度,給后續(xù)雜草識別模型提出一種減小模型規(guī)模和降低計算代價的方式。

    參 考 文 獻(xiàn)

    [ 1 ] Hasan A S M M, Sohel F, Diepeveen D, et al. A survey of deep learning techniques for weed detection from images [J]. Computers and Electronics in Agriculture, 2021, 184(3): 1680-1699.

    [ 2 ] Xu K, Shu L, Xie Q, et al. Precision weed detection in wheat fields for agriculture 4.0: A survey of enabling technologies, methods, and research challenges [J]. Computers and Electronics in Agriculture, 2023, 212: 108106.

    [ 3 ] 付豪, 趙學(xué)觀, 翟長遠(yuǎn), 等. 基于深度學(xué)習(xí)的雜草識別方法研究進(jìn)展[J]. 中國農(nóng)機(jī)化學(xué)報, 2023, 44(5): 198-207.

    Fu Hao, Zhao Xueguan, Zhai Changyuan, et al. Research progress on weed recognition method based on deep learning technology [J]. Journal of Chinese Agricultural Mechanization, 2023, 44(5): 198-207.

    [ 4 ] Balaska V, Adamidou Z, Vryzas Z, et al. Sustainable crop protection via robotics and artificial intelligence solutions [J]. Machines, 2023, 11(8): 774.

    [ 5 ] Xu J, Xiong Z, Bhattacharyya S P, et al. PIDNet: A real?time semantic segmentation network inspired by PID controllers [C]. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2023: 19529-19539.

    [ 6 ] Cai Y, Zeng F, Xiao J, et al. Attention?aided semantic segmentation network for weed identification in pineapple field [J]. Computers and Electronics in Agriculture, 2023, 210: 107881.

    [ 7 ] Milioto A, Lottes P, Stachniss C, et al. Real?time semantic segmentation of crop and weed for precision agriculture robots leveraging background knowledge in CNNs [C]. IEEE International Conference on Robotics and Automation (ICRA), 2018: 2229-2235.

    [ 8 ] 孫俊, 譚文軍, 武小紅, 等. 多通道深度可分離卷積模型實時識別復(fù)雜背景下甜菜與雜草[J]. 農(nóng)業(yè)工程學(xué)報, 2019, 35(12): 184-190.

    Sun Jun, Tan Wenjun, Wu Xiaohong, et al. Real?time recognition of sugar beet and weeds in complex backgrounds using multi?channel depth?wise separable convolution model [J]. Transactions of the Chinese Society of Agricultural Engineering, 2019, 35(12): 184-190.

    [ 9 ] Khan A, Ilyas T, Umraiz M, et al. Ced?net: Crops and weeds segmentation for smart farming using a small cascaded encoder?decoder architecture [J]. Electronics, 2020, 9(10): 1602.

    [10] Yang Q, Ye Y, Gu L, et al. MSFCA—Net: A multi?scale feature convolutional attention network for segmenting crops and weeds in the field [J]. Agriculture, 2023, 13(6): 1176.

    [11] 王璨, 武新慧, 張燕青, 等. 基于移位窗口Transformer網(wǎng)絡(luò)的玉米田間場景下雜草識別[J]. 農(nóng)業(yè)工程學(xué)報, 2022, 38(15): 133-142.

    Wang Can, Wu Xinhui, Zhang Yanqing, et al. Recognizing weeds in maize fields using shifted window Transformer network [J]. Transactions of the Chinese Society of Agricultural Engineering, 2022, 38(15): 133-142.

    [12] Yu C, Gao C, Wang J, et al. Bisenet v2: Bilateral network with guided aggregation for real?time semantic segmentation [J]. International Journal of Computer Vision, 2021, 129: 3051-3068.

    [13] Yu C, Wang J, Peng C, et al. Bisenet: Bilateral segmentation network for real?time semantic segmentation [C]. Proceedings of the European Conference on Computer Vision (ECCV), 2018: 325-341.

    [14] Xie Z F, Wang S, Xu K, et al. Boosting night?time scene parsing with learnable frequency [J]. IEEE Transactions on Image Processing, 2023: 3560-3569.

    [15] Wallace G K. The JPEG still picture compression standard [J]. Communications of the ACM, 1991, 34(4): 30-44.

    [16] Qin Z, Zhang P, Wu F, et al. Fcanet: Frequency channel attention networks [C]. Proceedings of the IEEE/CVF International Conference on Computer Vision, 2021: 783-792.

    [17] 許棟, 楊關(guān), 劉小明, 等. 基于自適應(yīng)特征融合與轉(zhuǎn)換的小樣本圖像分類[J]. 計算機(jī)工程與應(yīng)用, 2022, 58(24): 223-232.

    [18] Dai Y, Gieseke F, Oehmcke S, et al. Attentional feature fusion [C]. Proceedings of the IEEE/CVF Winter Conference on Applications of Computer Vision, 2021: 3560-3569.

    [19] Berman M, Triki A R, Blaschko M B, et al. The lovász?softmax loss: A tractable surrogate for the optimization of the intersection?over?union measure in neural networks [C]. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2018: 4413-442.

    [20] Chebrolu N, Lottes P, Schaefer A, et al. Agricultural robot dataset for plant classification, localization and mapping on sugar beet fields [J]. The International Journal of Robotics Research, 2017, 36(10): 1045-1052.

    91久久精品电影网| 欧美日韩国产mv在线观看视频 | 尾随美女入室| 夫妻午夜视频| 婷婷色麻豆天堂久久| 免费观看av网站的网址| 欧美人与善性xxx| 亚洲美女搞黄在线观看| 国产片特级美女逼逼视频| 成人午夜高清在线视频| 亚洲精品色激情综合| 中文欧美无线码| 蜜臀久久99精品久久宅男| av专区在线播放| 最近最新中文字幕大全电影3| 国产久久久一区二区三区| 免费观看性生交大片5| 久久久久久久久大av| 91午夜精品亚洲一区二区三区| 天天一区二区日本电影三级| 高清毛片免费看| 精品久久久精品久久久| 中文字幕av成人在线电影| 特级一级黄色大片| 别揉我奶头 嗯啊视频| 人妻系列 视频| 成年人午夜在线观看视频 | 最近的中文字幕免费完整| 五月天丁香电影| 久久精品久久精品一区二区三区| 一本—道久久a久久精品蜜桃钙片 精品乱码久久久久久99久播 | 天天躁日日操中文字幕| 亚洲自拍偷在线| 欧美日本视频| 国产色爽女视频免费观看| 国产老妇伦熟女老妇高清| 国产亚洲最大av| 日韩强制内射视频| av免费在线看不卡| 国产乱人视频| 亚洲精品亚洲一区二区| 精品国产一区二区三区久久久樱花 | 少妇丰满av| 日韩av不卡免费在线播放| 国产精品综合久久久久久久免费| 国内少妇人妻偷人精品xxx网站| 人人妻人人看人人澡| 日本黄色片子视频| 国内精品宾馆在线| 亚洲av一区综合| 又粗又硬又长又爽又黄的视频| 久久99蜜桃精品久久| 精品国产一区二区三区久久久樱花 | 能在线免费观看的黄片| 毛片一级片免费看久久久久| 麻豆国产97在线/欧美| 最近视频中文字幕2019在线8| 全区人妻精品视频| 内射极品少妇av片p| 国产又色又爽无遮挡免| 精品久久久久久久久久久久久| 夜夜爽夜夜爽视频| 国产视频内射| 少妇熟女欧美另类| 精品人妻熟女av久视频| av国产久精品久网站免费入址| 嫩草影院入口| 亚洲欧美日韩卡通动漫| 搡老乐熟女国产| 99久久中文字幕三级久久日本| 七月丁香在线播放| 久久久久久伊人网av| 日韩欧美精品v在线| 国产午夜福利久久久久久| 国产精品不卡视频一区二区| 久久这里有精品视频免费| 极品少妇高潮喷水抽搐| 亚洲三级黄色毛片| 中文字幕av在线有码专区| 日韩视频在线欧美| 精品久久久久久久末码| 国产一区二区亚洲精品在线观看| 久久久久精品久久久久真实原创| 欧美日韩一区二区视频在线观看视频在线 | 国产激情偷乱视频一区二区| 亚洲欧美成人精品一区二区| 欧美变态另类bdsm刘玥| 免费少妇av软件| av在线老鸭窝| 久久人人爽人人片av| 午夜爱爱视频在线播放| 在现免费观看毛片| 能在线免费看毛片的网站| 国产高清国产精品国产三级 | 国产单亲对白刺激| videossex国产| 国产黄片视频在线免费观看| 一级二级三级毛片免费看| 亚洲内射少妇av| 美女黄网站色视频| 草草在线视频免费看| 国产真实伦视频高清在线观看| 亚洲av国产av综合av卡| 国产一级毛片七仙女欲春2| 精品不卡国产一区二区三区| 九草在线视频观看| 伊人久久精品亚洲午夜| 91精品一卡2卡3卡4卡| 日韩欧美一区视频在线观看 | 五月天丁香电影| 亚洲综合精品二区| 国产黄片视频在线免费观看| 视频中文字幕在线观看| 久久久精品94久久精品| 亚洲av福利一区| 久久99热这里只有精品18| 五月伊人婷婷丁香| 美女脱内裤让男人舔精品视频| 久久久欧美国产精品| 内地一区二区视频在线| 久久久久久久大尺度免费视频| 欧美3d第一页| 色视频www国产| 成年av动漫网址| 老女人水多毛片| 日韩视频在线欧美| 秋霞伦理黄片| 欧美激情久久久久久爽电影| 亚洲成色77777| 欧美最新免费一区二区三区| 午夜福利在线观看免费完整高清在| 寂寞人妻少妇视频99o| 男的添女的下面高潮视频| 亚洲av国产av综合av卡| 日本与韩国留学比较| 97人妻精品一区二区三区麻豆| 九九久久精品国产亚洲av麻豆| 免费不卡的大黄色大毛片视频在线观看 | 久久这里只有精品中国| 丰满人妻一区二区三区视频av| 国产一区亚洲一区在线观看| 国产精品人妻久久久影院| 免费电影在线观看免费观看| 亚洲av成人av| 亚洲欧洲日产国产| 天美传媒精品一区二区| 国产精品久久久久久av不卡| 大片免费播放器 马上看| 国产老妇伦熟女老妇高清| 婷婷色av中文字幕| 一级av片app| 老师上课跳d突然被开到最大视频| 老司机影院成人| 国产亚洲一区二区精品| 熟女人妻精品中文字幕| 成人av在线播放网站| 国产精品久久久久久精品电影小说 | 亚洲熟妇中文字幕五十中出| 亚洲欧洲日产国产| 国产亚洲最大av| 男女边吃奶边做爰视频| 青春草亚洲视频在线观看| 搡老乐熟女国产| 亚洲精品国产成人久久av| 国产视频首页在线观看| 国产精品女同一区二区软件| 国产精品嫩草影院av在线观看| 午夜福利视频精品| 亚洲av免费高清在线观看| 国产精品美女特级片免费视频播放器| 欧美激情在线99| 久久久久九九精品影院| 成人av在线播放网站| 99热这里只有精品一区| 小蜜桃在线观看免费完整版高清| 99久久精品一区二区三区| 欧美高清成人免费视频www| 人妻制服诱惑在线中文字幕| 你懂的网址亚洲精品在线观看| 最近中文字幕2019免费版| 精品国产一区二区三区久久久樱花 | 国产亚洲av片在线观看秒播厂 | 一个人看视频在线观看www免费| 国产白丝娇喘喷水9色精品| 亚洲精品日韩在线中文字幕| 免费电影在线观看免费观看| 美女内射精品一级片tv| 女人被狂操c到高潮| 国产伦一二天堂av在线观看| 欧美精品一区二区大全| 国产亚洲5aaaaa淫片| 久久精品夜夜夜夜夜久久蜜豆| 美女国产视频在线观看| 亚洲最大成人av| 国产精品久久久久久av不卡| 一区二区三区免费毛片| 18禁裸乳无遮挡免费网站照片| 亚洲婷婷狠狠爱综合网| 老司机影院成人| 99热这里只有精品一区| 午夜免费观看性视频| 久久久久免费精品人妻一区二区| 白带黄色成豆腐渣| 久久久亚洲精品成人影院| 哪个播放器可以免费观看大片| 最新中文字幕久久久久| 一边亲一边摸免费视频| 卡戴珊不雅视频在线播放| 亚洲国产精品成人综合色| 午夜爱爱视频在线播放| 中文字幕人妻熟人妻熟丝袜美| 大又大粗又爽又黄少妇毛片口| 欧美高清成人免费视频www| 久久久久国产网址| 国产免费福利视频在线观看| 日韩中字成人| 午夜激情久久久久久久| 亚洲国产欧美人成| 一个人免费在线观看电影| 老司机影院成人| 国产综合懂色| 日韩,欧美,国产一区二区三区| 99视频精品全部免费 在线| 成人毛片60女人毛片免费| 久久99精品国语久久久| 3wmmmm亚洲av在线观看| 午夜福利在线在线| 日本与韩国留学比较| 一区二区三区高清视频在线| 国产乱人视频| 搡女人真爽免费视频火全软件| 亚洲综合色惰| 免费观看无遮挡的男女| 亚洲欧美日韩卡通动漫| 乱系列少妇在线播放| 别揉我奶头 嗯啊视频| 欧美高清成人免费视频www| 国产高清不卡午夜福利| 国产三级在线视频| 国产欧美另类精品又又久久亚洲欧美| 精品欧美国产一区二区三| 国产在线一区二区三区精| 日日摸夜夜添夜夜添av毛片| 国产有黄有色有爽视频| 免费av毛片视频| 天天躁日日操中文字幕| 亚洲av在线观看美女高潮| 免费看光身美女| 欧美精品一区二区大全| xxx大片免费视频| 六月丁香七月| 精华霜和精华液先用哪个| 最近的中文字幕免费完整| 免费观看在线日韩| av网站免费在线观看视频 | av播播在线观看一区| 最近最新中文字幕免费大全7| 18禁在线播放成人免费| 一级毛片我不卡| 亚洲欧美中文字幕日韩二区| 建设人人有责人人尽责人人享有的 | 亚洲婷婷狠狠爱综合网| 国产精品一二三区在线看| 亚洲精品乱码久久久v下载方式| 特级一级黄色大片| 国产精品国产三级专区第一集| 精品一区二区免费观看| 乱人视频在线观看| 成年人午夜在线观看视频 | 欧美高清成人免费视频www| 伦理电影大哥的女人| 永久网站在线| 人妻夜夜爽99麻豆av| 日韩精品有码人妻一区| 超碰av人人做人人爽久久| 日本黄色片子视频| 免费av观看视频| 日韩欧美 国产精品| 亚洲av成人精品一二三区| 免费大片18禁| 国产美女午夜福利| 日日啪夜夜爽| 欧美+日韩+精品| 国产精品综合久久久久久久免费| 草草在线视频免费看| 舔av片在线| 久久国内精品自在自线图片| 久久久久久久大尺度免费视频| a级一级毛片免费在线观看| 九草在线视频观看| 国产黄色免费在线视频| 丰满人妻一区二区三区视频av| 91精品伊人久久大香线蕉| 亚洲精品成人av观看孕妇| 免费少妇av软件| 插逼视频在线观看| 国产精品av视频在线免费观看| 69人妻影院| 男人狂女人下面高潮的视频| 美女被艹到高潮喷水动态| 九九在线视频观看精品| 97人妻精品一区二区三区麻豆| 一级毛片久久久久久久久女| 三级毛片av免费| 免费少妇av软件| 日本-黄色视频高清免费观看| 美女主播在线视频| 搡老乐熟女国产| 国语对白做爰xxxⅹ性视频网站| 极品教师在线视频| 尾随美女入室| 久久久午夜欧美精品| 精品一区在线观看国产| av女优亚洲男人天堂| 国产大屁股一区二区在线视频| 老司机影院毛片| 亚洲美女视频黄频| videossex国产| av黄色大香蕉| 午夜福利网站1000一区二区三区| 高清日韩中文字幕在线| 久久韩国三级中文字幕| 日韩一区二区三区影片| 人人妻人人看人人澡| 亚洲欧美日韩东京热| 中文天堂在线官网| 免费av毛片视频| 嫩草影院精品99| 免费看av在线观看网站| 精品久久久噜噜| 寂寞人妻少妇视频99o| 亚洲18禁久久av| 简卡轻食公司| 精品久久久久久久人妻蜜臀av| 日韩av不卡免费在线播放| 美女xxoo啪啪120秒动态图| 美女高潮的动态| 少妇高潮的动态图| 国产伦精品一区二区三区视频9| 校园人妻丝袜中文字幕| 蜜桃亚洲精品一区二区三区| 国产午夜精品论理片| 天天躁夜夜躁狠狠久久av| 男女国产视频网站| 人妻系列 视频| 国产精品99久久久久久久久| 美女大奶头视频| 欧美激情在线99| 国产久久久一区二区三区| 精品不卡国产一区二区三区| 精品久久久久久电影网| 一本久久精品| 又黄又爽又刺激的免费视频.| 1000部很黄的大片| 麻豆国产97在线/欧美| 国产片特级美女逼逼视频| 成人综合一区亚洲| av网站免费在线观看视频 | 成人漫画全彩无遮挡| 国产麻豆成人av免费视频| 可以在线观看毛片的网站| 精品人妻偷拍中文字幕| 91久久精品国产一区二区三区| 久久人人爽人人片av| 久久精品国产亚洲av涩爱| 午夜福利在线在线| 免费看美女性在线毛片视频| 晚上一个人看的免费电影| 国产一区二区三区综合在线观看 | 日韩欧美精品免费久久| 又爽又黄无遮挡网站| 大又大粗又爽又黄少妇毛片口| 男女边摸边吃奶| or卡值多少钱| 又爽又黄无遮挡网站| 欧美不卡视频在线免费观看| 久久久久久久久大av| 久久国内精品自在自线图片| 日韩电影二区| 天天躁夜夜躁狠狠久久av| 麻豆国产97在线/欧美| 午夜老司机福利剧场| 国产成人精品一,二区| 1000部很黄的大片| 有码 亚洲区| 亚洲精品成人av观看孕妇| 91精品一卡2卡3卡4卡| 人人妻人人澡欧美一区二区| 亚洲精品久久午夜乱码| 蜜桃久久精品国产亚洲av| 国产精品久久久久久久电影| 一边亲一边摸免费视频| 久久国内精品自在自线图片| 亚洲精华国产精华液的使用体验| 国产精品无大码| 一本久久精品| 国产午夜精品一二区理论片| 欧美日韩精品成人综合77777| 女人十人毛片免费观看3o分钟| 亚洲成人一二三区av| www.av在线官网国产| 色吧在线观看| 亚洲精品第二区| 免费av不卡在线播放| 日日撸夜夜添| 国产精品美女特级片免费视频播放器| 国产午夜精品一二区理论片| 日本午夜av视频| 一区二区三区乱码不卡18| 联通29元200g的流量卡| 久久久久精品久久久久真实原创| 亚洲四区av| 日韩在线高清观看一区二区三区| 少妇丰满av| 欧美xxxx性猛交bbbb| 欧美日韩一区二区视频在线观看视频在线 | 久久精品久久精品一区二区三区| 中文字幕亚洲精品专区| 国产成人一区二区在线| 久久精品国产自在天天线| 一本久久精品| 一级毛片aaaaaa免费看小| 国产免费福利视频在线观看| 婷婷六月久久综合丁香| 久久国内精品自在自线图片| 免费观看精品视频网站| 国产亚洲5aaaaa淫片| 69av精品久久久久久| 天堂影院成人在线观看| 神马国产精品三级电影在线观看| 青春草亚洲视频在线观看| 国产高清三级在线| av国产免费在线观看| 18禁裸乳无遮挡免费网站照片| 在线观看人妻少妇| 成人亚洲欧美一区二区av| 淫秽高清视频在线观看| 观看免费一级毛片| 亚洲欧美精品专区久久| 久久久色成人| 女人久久www免费人成看片| or卡值多少钱| 最近最新中文字幕大全电影3| freevideosex欧美| 春色校园在线视频观看| 伦理电影大哥的女人| 噜噜噜噜噜久久久久久91| 免费黄频网站在线观看国产| 少妇人妻一区二区三区视频| 成人av在线播放网站| 一个人看视频在线观看www免费| 日韩制服骚丝袜av| 成人av在线播放网站| 少妇熟女aⅴ在线视频| 精品午夜福利在线看| 麻豆av噜噜一区二区三区| 色网站视频免费| 亚洲精品国产成人久久av| 亚洲人成网站在线播| 身体一侧抽搐| 在线观看美女被高潮喷水网站| 直男gayav资源| 日韩av不卡免费在线播放| 卡戴珊不雅视频在线播放| 欧美97在线视频| 亚洲国产精品sss在线观看| 午夜免费激情av| 亚洲欧美成人精品一区二区| 日韩制服骚丝袜av| 99热6这里只有精品| 国产白丝娇喘喷水9色精品| 国产男人的电影天堂91| 婷婷色av中文字幕| 国产午夜福利久久久久久| 免费看美女性在线毛片视频| 老女人水多毛片| 国产黄频视频在线观看| 18禁裸乳无遮挡免费网站照片| 国产精品不卡视频一区二区| 亚洲综合色惰| 国产精品国产三级国产专区5o| av天堂中文字幕网| 国国产精品蜜臀av免费| 精品久久久久久成人av| 日韩人妻高清精品专区| 久久午夜福利片| 亚洲av中文字字幕乱码综合| 久久这里只有精品中国| 51国产日韩欧美| 亚洲av二区三区四区| 狂野欧美激情性xxxx在线观看| 亚洲图色成人| 亚洲精品日韩在线中文字幕| 久久久久九九精品影院| 99re6热这里在线精品视频| 日韩av免费高清视频| 亚洲精品乱码久久久v下载方式| 亚洲精品视频女| 国产精品嫩草影院av在线观看| 国产精品.久久久| av在线天堂中文字幕| 欧美潮喷喷水| 国产精品一及| 91精品国产九色| 日日啪夜夜撸| 成年人午夜在线观看视频 | 日韩一区二区三区影片| 亚洲第一区二区三区不卡| 欧美zozozo另类| 亚洲av中文字字幕乱码综合| 日日撸夜夜添| 亚洲av电影不卡..在线观看| 亚洲精品日韩在线中文字幕| 禁无遮挡网站| 成人亚洲精品一区在线观看 | 少妇熟女欧美另类| 三级国产精品欧美在线观看| 一二三四中文在线观看免费高清| 亚洲无线观看免费| 久久久国产一区二区| 真实男女啪啪啪动态图| 九九久久精品国产亚洲av麻豆| 男人狂女人下面高潮的视频| 免费高清在线观看视频在线观看| 亚洲欧美清纯卡通| 欧美不卡视频在线免费观看| 青青草视频在线视频观看| 国产在线男女| 久久人人爽人人爽人人片va| 免费黄频网站在线观看国产| 久久精品国产自在天天线| 啦啦啦啦在线视频资源| 国产av在哪里看| 国产麻豆成人av免费视频| 午夜福利网站1000一区二区三区| 18禁在线无遮挡免费观看视频| 黄色配什么色好看| 欧美日韩视频高清一区二区三区二| 中文资源天堂在线| 人人妻人人澡欧美一区二区| 日韩强制内射视频| 亚洲丝袜综合中文字幕| 国产男人的电影天堂91| 十八禁国产超污无遮挡网站| 久久久成人免费电影| av线在线观看网站| 免费播放大片免费观看视频在线观看| 国产精品久久久久久久久免| 亚洲自拍偷在线| 青春草国产在线视频| 亚洲精品久久久久久婷婷小说| 亚洲欧美中文字幕日韩二区| 欧美三级亚洲精品| 欧美xxxx黑人xx丫x性爽| 国产白丝娇喘喷水9色精品| 日本av手机在线免费观看| 97超碰精品成人国产| 国产视频首页在线观看| 国产精品人妻久久久久久| 国国产精品蜜臀av免费| 少妇的逼水好多| av一本久久久久| 欧美日本视频| av一本久久久久| 国产激情偷乱视频一区二区| 久久精品综合一区二区三区| 一级毛片aaaaaa免费看小| 国产国拍精品亚洲av在线观看| 国产淫语在线视频| 天堂√8在线中文| 国产成人a区在线观看| 精品午夜福利在线看| 真实男女啪啪啪动态图| 免费av毛片视频| 亚洲国产精品国产精品| 久久99热这里只有精品18| 高清毛片免费看| 男人舔女人下体高潮全视频| 亚洲精品456在线播放app| 亚洲自拍偷在线| 啦啦啦啦在线视频资源| 日韩中字成人| 高清毛片免费看| 搡女人真爽免费视频火全软件| 精品久久久久久成人av| 又大又黄又爽视频免费| 99久久人妻综合| 国产成人免费观看mmmm| 欧美成人午夜免费资源| 国产伦精品一区二区三区视频9| 又爽又黄a免费视频| 国产成人91sexporn| 日本一本二区三区精品| 久久久久久久久久黄片| 黄色欧美视频在线观看| 高清av免费在线| 免费人成在线观看视频色| 狂野欧美激情性xxxx在线观看| 亚洲国产日韩欧美精品在线观看| 狂野欧美激情性xxxx在线观看| 一个人看视频在线观看www免费| 视频中文字幕在线观看| 亚洲欧美日韩东京热| 日本爱情动作片www.在线观看| 亚洲欧美日韩东京热| 成人午夜高清在线视频| 人妻制服诱惑在线中文字幕| 69人妻影院| www.av在线官网国产| 能在线免费看毛片的网站| 最近中文字幕2019免费版| 午夜免费激情av| 两个人的视频大全免费| 熟女人妻精品中文字幕| 男女边摸边吃奶|