RootQuantV2: Adapting a Vision Foundation Model for Root-Trait Regression from Minirhizotron Imagery

📄 arXiv: 2609.25567v1 📥 PDF

作者: Kinjalk Parth, Sebastian Varela, Andrew D. B. Leakey

分类: cs.CV, cs.AI, cs.LG, q-bio.QM

发布日期: 2026-09-22

备注: 20 pages (15 main + 5 references), 4 figures, 5 tables. Accepted to the Computer Vision in Plant Phenotyping and Agriculture (CVPPA) Workshop at ECCV 2026. Code and weights: https://github.com/leakey-lab/RootQuantV2

💡 一句话要点

提出RootQuantV2以解决根系性状自动估计问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 根系表型 自监督学习 计算机视觉 高通量表型 ViT 农业科学 机器学习

📋 核心要点

  1. 现有根系性状表型方法缺乏高通量解决方案，导致对地下性状的理解和改进受到限制。
  2. RootQuantV2通过自监督ViT替代传统CNN，利用现有的数值档案进行根系性状的自动估计。
  3. 实验结果表明，RootQuantV2在根系长度和面积的估计上显著提升，RMSE分别降低了24.3%和20.7%。

📝 摘要（中文）

在田间作物根系性状的高通量表型解决方案缺乏的背景下，Minirhizotron成为标准的非破坏性根系表型方法。由于训练数据稀缺且人类标注难以获取，计算机视觉解决方案显得尤为重要。RootQuantV2在RootQuant的基础上，采用自监督的ViT替代CNN骨干网络，通过训练仅11.9M参数，实现了根系长度和面积的R²分别为0.950和0.930，且相较于RootQuant，长度和面积的RMSE分别降低了24.3%和20.7%。

🔬 方法详解

问题定义：本论文旨在解决田间作物根系性状的自动估计问题，现有方法由于数据稀缺和标注难以获取，限制了根系表型的高通量分析。

核心思路：论文提出通过自监督学习的ViT替代传统的CNN骨干网络，直接从整幅图像进行根系性状的回归预测，从而简化了传统方法中手动标注的需求。

技术框架：整体架构包括一个冻结的DINOv3 ViT-L/16模型，采用混合参数高效方案进行训练，模型仅训练11.9M参数，极大降低了计算资源需求。

关键创新：RootQuantV2的主要创新在于利用自监督学习的ViT架构，显著提高了根系性状的估计精度，并且有效利用了已有的数值档案，避免了手动标注的复杂性。

关键设计：在参数设置上，RootQuantV2仅训练了3.78%的模型参数，采用适应性损失函数以优化根系长度和面积的回归性能，确保了模型的高效性与准确性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

RootQuantV2在根系长度和面积的估计上表现出色，R²分别达到0.950和0.930，且相较于前一版本RootQuant，长度和面积的RMSE分别降低了24.3%和20.7%，显示出显著的性能提升。

🎯 应用场景

该研究的潜在应用领域包括农业科学、植物育种和生态研究等，能够为根系性状的高通量表型提供自动化解决方案，促进作物改良和地下生态过程的深入理解。未来，随着技术的进步，该方法有望在更广泛的植物表型研究中得到应用。

📄 摘要（原文）

A lack of high-throughput phenotyping solutions for root traits in field-grown crops has severely constrained understanding and improvement of below-ground traits and processes. Minirhizotrons are the standard non-destructive root-phenotyping method in field environments. Computer vision solutions are needed to allow automated trait estimation at scale, but training data is scarce and human annotations are often inaccessible because they reside in proprietary software that only exports per-image scalar totals of root length and surface area. Nevertheless, large numeric archives of these root traits already exist. RootQuant showed that the traits can be predicted directly from the whole image by regression, thus removing manually traced masks from the pipeline; RootQuantV2 takes that idea further by replacing RootQuant's CNN backbone with a self-supervised ViT. We adapt a frozen DINOv3 ViT-L/16 with a hybrid parameter-efficient scheme. Training only 11.9M parameters (3.78% of the model), RootQuantV2 achieves length and area $R^2$ of 0.950 and 0.930, respectively, while lowering length/area RMSE by 24.3%/20.7% over RootQuant. RootQuantV2 thus repurposes legacy numeric archives for high-throughput, automated root trait estimation.