plantseg-lookalike

PlantSeg Subtle Disease Look-Alike Pairs（植物分割细粒度疾病相似对）数据集是一个包含45,393对视觉上难以区分的植物疾病图像对的基准数据集，专门针对同一作物、同一植物器官上两种不同但外观极其相似的疾病症状。该数据集从PlantSeg v3中挖掘而来，每个图像对都经过严格的网络验证，包含来自农业文献的引述，确认这些疾病在实际诊断中容易混淆。构建过程采用四层互补筛选标准：通过DINOv3模型在真实病变掩码上计算图像对余弦相似度（要求≥0.80），确保同一植物器官和取景方式一致，并检索网络验证引文。数据集经过重复图像完整性检查，涵盖45种不同的疾病对和19种作物，其中大豆、小麦、玉米为主要作物。每个数据样本包含15个字段，如图像对缩略图、疾病名称、作物类型、相似度分数等。该数据集适用于细粒度疾病混淆性研究、难负例挖掘、零样本和细粒度分类器的失败模式分析等任务，基于CC BY 4.0许可，使用时需引用本数据集和原始PlantSeg v3数据集。The PlantSeg Subtle Disease Look-Alike Pairs dataset is a benchmark dataset containing 45,393 pairs of visually indistinguishable plant disease image pairs, specifically targeting two different but highly similar disease symptoms on the same crop and plant organ. It is mined from PlantSeg v3, with each image pair rigorously web-verified and including citable quotes from agricultural literature confirming that the diseases are easily confused in actual diagnosis. The dataset construction employs a four-layer complementary screening criteria: computing cosine similarity (≥0.80) on real lesion masks using the DINOv3 model, ensuring the same plant organ and consistent framing, and retrieving web verification citations. It undergoes duplicate image integrity checks, covering 45 distinct disease pairs and 19 crops, with soybean, wheat, and corn as the main crops. Each data sample includes 15 fields, such as image pair thumbnails, disease names, crop type, similarity score, etc. The dataset is suitable for tasks like fine-grained disease confusion research, hard negative mining, failure mode analysis of zero-shot and fine-grained classifiers, and is based on CC BY 4.0 license, requiring citation of both this dataset and the original PlantSeg v3 dataset when used.

搜集汇总

数据集介绍

构建方式

PlantSeg Subtle Disease Look-Alike Pairs数据集源自PlantSeg v3，通过四重筛选机制构建了38,239对视觉上高度混淆的植物病害图像对。首先，利用DINOv3模型对每对图像的真实病灶掩膜进行余弦相似度计算，仅保留相似度不低于0.80的细微差异对。其次，借助Qwen3-VL-32B模型标注每张图像的植物器官与拍摄构图，确保配对图像来自相同器官且具有一致的拍摄方式。最后，通过网络证据检索代理从引用的活跃来源中提取逐字声称两种病害外观相似的引文，并记录裁决类型（explicit_joint或symptom_overlap），只有同时具备引文和有效来源URL的配对才被保留。此外，采用感知哈希（pHash）去除重复图像污染，确保每对图像不共享同一张照片且每张图像标签唯一。

特点

该数据集的核心特点在于其严格的网络验证机制，所有38,239对图像均100%附带来自大学推广机构、政府或同行评审文献的活源引文，验证了两种病害实际被混淆的农学共识。每对图像共享作物与器官，涵盖18种作物、44种疾病组合，相似度均值高达0.861，聚焦于最细微的视觉区分难题。数据集还提供了区分指引（how_to_distinguish），使研究人员不仅能识别混淆情况，还能理解视觉差异的关键特征。此外，通过器官（38,186对为叶片）和拍摄构图（38,231对为特写）的严格过滤，消除了因场景变化导致的伪混淆。

使用方法

用户可通过Hugging Face的datasets库轻松加载该数据集，仅需调用load_dataset('tirtho149/plantseg-lookalike', 'pairs', split='train')即可获取38,239条训练样本。每条记录包含两幅512像素缩略图（image_a与image_b）、对应的病害名称、DINOv3余弦相似度、网络判决类型、逐字引文及区分方法。该数据集特别适用于细粒度病害混淆性研究、难负样本挖掘以及零样本或细粒度分类器的失效模式分析。研究人员可直接利用预设的配对结构评估模型在真实混淆场景下的判别能力，或结合引文与区分提示进行可解释性分析。

背景与挑战

背景概述

植物病害的精准诊断是全球粮食安全的核心议题之一，然而，许多病害在症状上高度相似，即便是经验丰富的农艺专家也常陷入困惑。2025年，由艾奥瓦州立大学Tirtho Roy、Asheesh K. Singh、Baskar Ganapathysubramanian、Arti Singh、Soumik Sarkar以及纽约大学Chinmay Hegde等研究者联合发布的PlantSeg Look-Alike数据集，正旨在填补这一细粒度视觉混淆领域的空白。该数据集从PlantSeg v3中精心挖掘出38,239对病害图像，每对图像均经过网络证据验证，确保其在真实农业文献中被描述为“长相相似”。数据集聚焦于同一作物、同一器官上两种不同病害的细微差异，为研究零样本分类器与细粒度模型的失效模式提供了权威基准，并推动了作物病害诊断中硬负样本挖掘与可解释性分析的进展。

当前挑战

该数据集面临的核心挑战在于解决植物病害领域特有的细粒度视觉混淆问题：许多病害（如大豆霜霉病与蛙眼叶斑病）的症状仅存在微妙差异，传统分类器与预训练模型在区分这类“视觉双胞胎”时表现脆弱，常导致诊断错误。构建过程中，研究团队亦克服了多重技术瓶颈：首先，需利用DINOv3在真实掩膜上计算图像余弦相似度，筛选出相似度不低于0.80的“似真”病害对；其次，借助Qwen3-VL大型视觉语言模型进行器官统一与拍摄构图对齐，消除场景和部位混淆；更有挑战性的是，必须从田间的非结构化网络文本中，通过智能检索代理精确提取“长得像”的原始引文证据，并排除因重编码或缩放导致的重复图像污染，最终形成一个无重复、全证据的干净基准，对数据清洗与验证的严谨性提出了极高要求。

常用场景

经典使用场景

在植物病理学与计算机视觉的交叉领域中，PlantSeg Look-Alike数据集为细粒度病害图像分类任务提供了极具挑战性的基准测试平台。该数据集精心构建了38,239对视觉上极易混淆的植物病害图像，每对图像均源自同一作物的同一器官部位，且经过DINOv3特征编码器的严格筛选，确保病变区域余弦相似度不低于0.80，从而聚焦于那些连领域专家都难以肉眼区分的微妙差异。研究者可据此深入探究零样本分类器、预训练视觉模型在区分高度相似病害时的失效模式，评估模型对纹理、颜色和局部病变形态的敏感度，推动细粒度视觉识别技术的发展。

实际应用

在实际农业应用中，该数据集为智能植物病害诊断系统提供了不可或缺的验证资源。基于此基准，开发者可以系统地测试和校准部署在移动端或无人机平台上的轻量级分类器，确保其在面对表型相似的病害时不会做出误判。例如，该数据集包含的18种作物、44组易混淆病害对，能够直接用于构建可解释的辅助诊断工具，帮助农技人员结合网络引用的区分口诀（如“叶斑呈角状为细菌性疫病，圆形则为蛙眼斑”）提升实地判别准确率。此外，数据集附带的“如何区分”文字说明，有望催生结合视觉与语言的多模态解析框架，极大地缩短农业病害监测中从实验室模型到田间部署的验证周期。

衍生相关工作

围绕PlantSeg Look-Alike数据集，已衍生出一系列具有影响力的探索性工作。该数据集直接支撑了SAGE（可扩展智能农作病诊断评估系统）项目的开发，该项目通过代理评估框架系统量化视觉语言模型在真实混淆场景下的诊断能力。研究者利用其中的44组病害对构建了细粒度混淆矩阵，揭示了当前主流模型在跨作物泛化时普遍存在的偏置问题。此外，基于该数据集的硬负样本特性，已有工作探索了对比学习与掩码自编码器在病变区域表征上的改进策略，并开始将“网络验证引文”作为弱监督信号引入多模态检索模型，推动从图像到知识图谱的可信诊断推理链路的发展。