利用图像生成器解决数据稀缺问题：用于森林再生绘图的 Gen4Regen 数据集

可持续森林管理依赖于精确的物种组成测绘，而传统的地面调查是劳动密集型的且受到地理限制。虽然无人驾驶飞行器 (UAV) 提供可扩展的数据收集，但向基于深度学习的解释的过渡受到专家注释图像严重缺乏的瓶颈，特别是在复杂、视觉异构的再生区域。本文通过提供一个可扩展的框架，减少对高分辨率毫米级航空图像手动照片解释的依赖，解决了植物细粒度语义分割中数据稀缺和极端类别不平衡的双重挑战。重要的是，我们利用大规模 Nano Banana Pro 模型根据提示同时生成高保真图像及其相应的像素对齐语义掩模。我们引入了 WilDReF-Q-V2，它是天然森林数据集的扩展，包含 13977 个新的未标记图像和 50 个手动标记的真实图像，以及 Gen4Regen 数据集，其中包含 2101 对合成图像和语义掩模。我们的方法将现实世界数据与人工智能生成的图像相结合，强调人工智能生成的数据与现实世界数据高度互补，与纯监督基线相比，统一训练的 F1 分数提高了 15% 以上。此外，我们证明，即使是少量提示生成的数据也能显着提高代表性不足的类别的性能，其中一些类别的 F1 分数增益超过 30%pt。我们的结论是，大规模视觉模型可以作为敏捷数据生成器，有效地引导专家标签稀缺或不可用的利基人工智能领域的感知任务。我们的数据集、源代码和模型将在 https://norlab-ulaval.github.io/gen4regen 上提供。