湿地松新梢密度是评价湿地松生长和光合能力的重要指标，而新梢数是反映湿地松新梢密度的直观指标。随着深度学习方法的日益普及，新芽的自动计数近年来有了很大的改善，但仍然受到繁琐和昂贵的数据收集和标记的限制。为了解决这些问题，本文提出了一种估算湿地松新梢数的半监督计数网络(MTSC-Net)。首先，在mean-teacher框架的基础上，引入改进的VGG19提取多尺度新拍摄特征；其次，为了将局部新拍摄特征信息与全局通道特征连接起来，引入注意力特征融合(attention feature fusion，AFF)模块，实现有效的特征融合；最后，通过对回归头和分类头进行多尺度扩展卷积(multi-scale dilated convolution，MDC)，对新的新梢密度图和密度概率分布进行细粒度处理。此外，还引入了一种掩蔽图像建模策略，以促进对全局新拍摄特征的上下文理解，并提高计数性能。实验结果表明，MTSC-Net优于其他标记百分比在5%到50%之间的半监督计数模型。当标注百分比为5%时，平均绝对误差为17.71，均方根误差为25.49。这些结果表明，我们的工作可以作为一种有效的半监督计数方法，为树木育种和遗传利用提供自动化支持。

图1  获取NSCD数据集的示例。(a)不同分布背景的湿地松。(b)单株湿地松提取物。(c)标记新梢。(d)新梢密度图。

图2  MTSC-Net的详细结构。

图3  特征提取网络结构。

图4  通过蒙面图像建模（masked image modeling，MIM）策略处理的斜纹松图像。

图5  MTSC-Net中AFF的使用。(a)特征提取。(b) AFF处理的特征。

图6 (a)注意特征融合模块。(b) MS-CAM模块。

图7  回归头和分类头与MDC。

图8  膨胀卷积层堆叠时膨胀率的差异。

图9  不同标记百分比下真实值与预测值的比较。x轴表示每个测试。

图10  不同掩蔽补丁大小和掩蔽比对MTSC-Net的影响。