稻田生态与环境研究创新团队提出零样本跨作物标注迁移新范式
8月13日，中国水稻研究所稻田生态与环境研究创新团队在Plant Phenomics上在线发表了题为“ZCAT: Zero-shot Cross-crop Annotation Transfer–A New Paradigm Leveraging Plant Organ Similarity”的研究论文。该研究提出了一种名为ZCAT（零样本跨作物标注迁移）的全新范式，首次实现了在不依赖任何目标作物像素级人工标注的情况下，将水稻穗部的语义分割模型成功迁移至小麦穗部，为作物器官的快速、低成本标注开辟了全新路径。
随着植物表型组学研究的深入，基于图像的作物器官语义分割已成为解析产量性状、评估生长发育的关键技术手段。然而，像素级的人工标注耗时极其高昂，以水稻为例，传统单张穗部图像的精细标注常常耗时0.5至1.5小时，一个完整数据集的标注总时长可超过3000小时。目前全球公开的作物器官像素级标注数据集极为稀缺，这种“数据饥渴”严重制约了深度学习算法在植物表型研究中的应用。如何在不投入海量人工标注的前提下，快速获得高质量的作物器官分割数据，成为领域内亟待突破的瓶颈。
研究团队发现，不同作物的生殖器官在形态上具有相似性，水稻穗部与小麦穗部均呈现分枝结构和紧凑的空间排列。基于此，团队创新性地提出了ZCAT范式：首先利用公开的水稻穗部标注数据集训练初始SegFormer模型，随后将该模型应用于小麦穗部图像生成伪标签。ZCAT的核心创新在于引入了一个由人工定义的质量函数Q，研究者只需花5到10秒对每张伪标签图像进行整体质量评估（判断“好”或“坏”），无需进行任何像素级的修正。这一设计巧妙地绕过了自学习算法中的根本性难题：计算机无法自主区分好的伪标签与坏的伪标签。在时间成本上，ZCAT的优势尤为显著：人工精细标注739张小麦穗部图像预计需要约63.6小时，而ZCAT生成同等规模高质量伪标签数据集仅需约5.65小时，人工投入仅为传统方式的8.88%。每张图像的平均筛选时间仅需6至7秒。
该研究揭示了跨作物器官形态相似性在深度学习标注迁移中的巨大潜力，证明了“少量高质量伪标签远胜于大量噪声标签”。ZCAT范式的意义不仅在于为小麦穗部分割提供了一个高质量伪标签数据集，更在于为水稻、小麦及其他禾本科作物的器官级表型数据制备开辟了一条“零标注”的新路径。未来，这一范式有望扩展至水稻到高粱、玉米等其他作物的器官标注迁移，以及叶片、花朵、果实等不同器官类型的快速标注，将极大地降低植物表型组学研究中的数据准备成本，加速精准育种和智慧农业的发展。
ZCAT工作流程示意图
该研究得到国家重点研发计划、国家自然科学基金、浙江省自然科学基金重点项目及浙江省“三农六方”科技合作项目的联合资助。曾宇翔副研究员、陈婷婷副研究员为论文共同第一作者；符冠富副研究员、陈松研究员为论文共同通讯作者。
文章链接:
https://www.sciencedirect.com/science/article/pii/S2643651526001044