Discrete Gaussian Process Representations for Optimising UAV-based Precision Weed Mapping
作者: Jacob Swindell, Madeleine Darbyshire, Marija Popovic, Riccardo Polvara
发布时间: 2025-03-11
来源: arxiv
研究方向: 无人机农业应用与精准农业
主要内容
本文研究了使用无人机进行精准农业中的杂草分布图制作，通过比较五种不同的离散高斯过程表示方法，评估了它们在杂草分布图制作中的性能。
主要贡献
1. 对五种离散高斯过程表示方法进行了全面评估，包括四叉树、楔形、基于最小二乘误差的二叉空间划分树、基于区域的方法的二叉空间划分树和六边形网格。
2. 通过实验验证了不同表示方法在不同杂草分布模式下的性能差异。
3. 提出了基于杂草分布模式（如斑块大小、密度、覆盖率）选择离散化方法的建议。
4. 证明了BSP LSE方法在平均均方误差方面表现良好，尽管计算成本较高，具有作为通用表示方法的潜力。
研究方法
1. 使用WeedMap数据集进行实验，该数据集提供了不同糖 beet 田的语义正射影像。
2. 训练高斯过程模型以近似杂草分布。
3. 比较了五种离散表示方法：四叉树、楔形、BSP LSE、BSP区域和六边形网格。
4. 使用结构相似性指数（SSIM）、汉明距离（HD）和均方误差（MSE）等指标评估了不同表示方法的性能。
5. 分析了执行时间和内存使用情况以评估效率。
6. 通过Spearman秩相关分析研究了不同特征与性能指标之间的关系。
实验结果
实验结果表明，四叉树在平均性能方面表现最佳，但在特定情况下，其他表示方法可能更有效。BSP LSE方法在平均均方误差方面表现良好，尽管计算成本较高。实验结果还表明，选择适当的表示方法对于提高杂草分布图的准确性至关重要。
未来工作
未来的工作将评估这些表示方法在更多数据集上的性能，并研究它们在在线无人机映射和规划中的应用。