RootQuantV2：采用视觉基础模型从 Minirhizotron 图像进行根性状回归

由于缺乏针对大田作物根性状的高通量表型解决方案，严重限制了对地下性状和过程的理解和改进。 Minirhizotrons 是野外环境中标准的非破坏性根表型分析方法。需要计算机视觉解决方案来实现大规模的自动性状估计，但训练数据稀缺，并且人工注释通常无法访问，因为它们驻留在专有软件中，仅导出每个图像的根长度和表面积的标量总计。然而，这些根本特征的大量数字档案已经存在。 RootQuant 表明，可以通过回归直接从整个图像中预测特征，从而从管道中删除手动跟踪的掩模； RootQuantV2 通过用自我监督的 ViT 取代 RootQuant 的 CNN 主干网络，进一步发展了这一想法。我们采用混合参数高效方案来适应冻结的 DINOv3 ViT-L/16。仅训练 11.9M 参数（模型的 3.78%），RootQuantV2 的长度和面积 $R^2$ 分别为 0.950 和 0.930，同时长度/面积 RMSE 比 RootQuant 降低了 24.3%/20.7%。因此，RootQuantV2 将传统的数字档案重新用于高通量、自动化的根性状估计。