Pose estimation-guided CNN for tea bud detection and plucking point identification
研究背景与痛点
任务目标：为智能采茶机器人解决（茶芽检测+拔茶点识别）问题
核心挑战：
目标背景高度相似、目标形态不一、严重遮挡/密集分布
核心方法：是把"拔芽茶点定位"重新定义成了"假体贴算问题"，并设计了两阶段的流水线任务
第一阶段：茶芽检测---基于DINO检测器，加入光谱注意力模块+多尺度特征融合（解决问题：增强模型对细微色彩、纹理对比度的敏感度，先把茶芽从复杂的背景里"揪出来"）
第二阶段：拔芽点识别：带空间坐标编码的高分辨率网络--在茶芽被遮挡、簇聚的情况下，依然能精准定位到采摘点，解决遮挡和密集目标定位的难题
方法优势：
两阶段是耦合的：检测阶段的输出直接喂给识别阶段，能利用前一阶段的上下文信息，提升整体的鲁棒性
针对茶园场景做了定制优化：不是通用的目标检测模型的套用，而是专门解决了植物的"遮挡、相似、形态多变"三大痛点
借鉴人体姿态估计的思路，采用"先检测茶芽、再识别拔点"的两级流水线
1.第一阶段为第二阶段提供精准的的茶芽区域定位，提升模型的模块化程度与复杂场景的适应性，更适配真实茶园环境
2.优化DINO检测器，增强：
将频谱注意力模块和空间金字塔池化融入DINO的表征学习范式，在不增加计算成本/内存开销的前提下，提升茶芽检测的稳定性和抗干扰能力
3.高分辨率+瓶颈Transformer应对复杂场景，采用高分率的模块和瓶颈Transformer结构，让模型更好的地处理茶芽的复杂形态、相互遮挡问题
核心思想：从人类姿态估计（HPE）中找灵感
这篇论文的核心思路，是把茶芽检测+拔点识别任务，类比成多人人体姿态估计（HPE）问题：
每个茶芽就像一个人，而它的拔点就像人的"关键点"
借鉴HPE中（自上而下）的范式，设计了一个两阶段的流水线，解决茶园里茶芽密集、遮挡、形态多变的难题
为什么不是自下而上(HPE)方法:直接检测所有关键点，在分组，容易在茶芽密集、重叠时混淆关键点归属，姿态相似、关键点靠近时，容易出现分配错误
自上而下的HPE方法：先检测目标，再在目标框内估计关键点，能确保"一个茶芽对应一组拔点"，对应不混乱，可以减少背景干扰
PENet两阶段工作流程图
