University of Houston - Clear Lake

该研究提出一个将移动机器人图像采集与卷积神经网络花卉识别相结合的智能园艺框架，机器人拍摄花园图像、CNN对花卉物种进行分类并给出植物专属信息以支持后续养护决策，在50张训练图像和50张独立测试图像上分别取得92.0%训练准确率和95.0%测试准确率，并为未来的灌溉、施肥和自主花园管理功能奠定基础。

该研究提出一个将移动机器人图像采集与卷积神经网络花卉识别相结合的智能园艺框架，机器人拍摄花园图像、CNN对花卉物种进行分类并给出植物专属信息以支持后续养护决策，在50张训练图像和50张独立测试图像上分别取得92.0%训练准确率和95.0%测试准确率，并为未来的灌溉、施肥和自主花园管理功能奠定基础。

该工作提出位移保持关系蒸馏（DPRD），在 nnU-Net 中对 ROI 掩码后的病例级嵌入做批量成对位移向量对齐并配合关系尺度归一化，在 ISLES 2022 与 AMOS 2022 上以约5%教师参数和约3% FLOPs 的学生取得优于 Logits KD、FitNet、RKD、CIRKD 的分割结果，AMOS 上 Dice 达 85.46%、HD95 降至 11.72 mm。

该工作提出位移保持关系蒸馏（DPRD），在 nnU-Net 中对 ROI 掩码后的病例级嵌入做批量成对位移向量对齐并配合关系尺度归一化，在 ISLES 2022 与 AMOS 2022 上以约5%教师参数和约3% FLOPs 的学生取得优于 Logits KD、FitNet、RKD、CIRKD 的分割结果，AMOS 上 Dice 达 85.46%、HD95 降至 11.72 mm。