Scale Matters: Adaptive Granularity Selection for Cross-Species 3D Plant Organ Segmentation

📄 arXiv: 2608.17803v1 📥 PDF

作者: Carla Salazar, Lazaros Nalpantidis

分类: cs.CV

发布日期: 2026-08-18

备注: Project page: https://dtu-pas.github.io/ags-plantseg/

💡 一句话要点

提出AGS-PlantSeg以解决跨物种3D植物器官分割问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 3D植物分割 自适应粒度选择 跨物种泛化 少样本学习 植物表型分析

📋 核心要点

  1. 现有方法依赖固定的空间粒度，导致在植物表型等应用中泛化能力不足，无法适应不同物种和生长阶段的器官形态和大小变化。
  2. 本文提出的AGS-PlantSeg方法通过自适应粒度选择，动态调整每个植物模型的粒度水平，从而优化特征提取，提升分割性能。
  3. 实验结果显示，AGS-PlantSeg在多个数据集上表现优异，平均mIoU达到88.9%，相比固定粒度基线提升了2.5个mIoU点，且对标注数据的需求极低。

📝 摘要（中文）

近年来，3D基础模型为点云学习提供了强大的特征表示，但固定的空间粒度限制了在植物表型等应用中的泛化能力。为了解决这一问题，本文提出了AGS-PlantSeg，一种基于少量样本的3D植物器官分割方法，结合了冻结的Utonia基础模型和自适应粒度选择。通过动态选择每个特定植物模型的最佳粒度水平，该方法为轻量级MLP分割头提取优化的几何特征。大量实验表明，AGS-PlantSeg在跨物种泛化方面显著提升，平均mIoU性能达到88.9%，比固定粒度基线提高2.5个mIoU点，尽管需要的标注数据极少，但与完全监督的植物特定架构相比，竞争力依然强劲。

🔬 方法详解

问题定义：本文旨在解决跨物种3D植物器官分割中的粒度选择问题。现有方法因固定粒度而限制了对不同植物器官形态和大小的适应能力，导致泛化性能不足。

核心思路：AGS-PlantSeg通过自适应粒度选择，动态确定每个植物模型的最佳粒度水平，从而提取优化的几何特征。这种设计使得模型能够更好地适应不同物种的特征，提升分割效果。

技术框架：该方法基于冻结的Utonia基础模型，结合自适应粒度选择模块，最终通过轻量级的多层感知机（MLP）进行分割。整体流程包括特征提取、粒度选择和分割三个主要阶段。

关键创新：AGS-PlantSeg的核心创新在于引入自适应粒度选择机制，使得模型能够根据具体植物的特征动态调整粒度，与传统固定粒度方法形成鲜明对比。

关键设计：在模型设计中，采用了轻量级的MLP作为分割头，优化了参数设置以减少对标注数据的依赖，同时使用了适合植物器官特征的损失函数，以提升分割精度。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

实验结果表明，AGS-PlantSeg在多个数据集上实现了88.9%的平均mIoU性能，相较于固定粒度基线提升了2.5个mIoU点。此外，该方法在标注数据需求上表现出色，能够在少量样本下仍保持竞争力。

🎯 应用场景

该研究在植物表型分析、农业监测和生态研究等领域具有广泛的应用潜力。通过提高跨物种的分割精度，AGS-PlantSeg能够帮助研究人员更好地理解植物生长特征，促进精准农业的发展，并为植物科学研究提供支持。

📄 摘要（原文）

Recent 3D foundation models provide powerful feature representations for point cloud learning by controlling spatial granularity. However, relying on a fixed spatial granularity severely limits generalization in applications like plant phenotyping, where organ morphology and size vary substantially across species and growth stages. To address this, we propose AGS-PlantSeg, a few-shot 3D plant organ segmentation method that leverages the frozen Utonia (arXiv:2603.03283) foundation model combined with Adaptive Granularity Selection. By dynamically selecting the best granularity levels for each specific plant model, our method extracts optimized geometric features for a lightweight MLP segmentation head. Extensive experiments across PLANesT-3D (arXiv:2407.21150), Pheno4D , and Crops3D demonstrate that AGS-PlantSeg significantly improves cross-species generalization, achieving 88.9% average mIoU performance and outperforming fixed-granularity baselines by 2.5 mIoU points. Despite requiring minimal annotated data, our approach is highly competitive with fully supervised, plant-specific architectures.