3D数据增强方法用于番茄植物部分的语义细分

科学领域:

• 计算机视觉 计算机视觉
• 植物科学 植物科学
• 机器学习 机器学习

背景情况:

• 植物点云的3D语义细分对于自动植物表型和作物建模至关重要.
• 深度学习方法需要大型注释数据集,这些数据集需要大量的时间和劳动力来创建3D植物结构.
• 需要有效的数据增强策略,以改善有限的训练数据的模型性能.

研究的目的:

• 研究和比较新的和现有的数据增强方法对植物点云的3D语义细分的有效性.
• 确定哪些数据增强技术最适合对3D番茄植物结构进行细分.

主要方法:

• 提出了五种新的数据增强方法:全球裁剪,亮度调整,叶子转换,叶子旋转和叶子交叉.
• 将这些新的方法与五种现有技术进行比较:在线下载采样,全球动,全球缩放,全球旋转和全球翻译.
• 将增强方法应用于PointNet++模型,用于将三种番茄品种的3D点云细分为土壤基,棒,茎和其他生物结构.

主要成果:

• 叶子交叉成为最有前途的新方法,超越现有技术.
• 叶子旋转,叶子转换和裁剪也表现出强的表现,超过了除全球动外的大多数现有方法.
• 拟议的3D数据增强方法有效地减轻了因有限的训练数据而导致的过拟合.

结论:

• 新的数据增强方法,特别是叶子交叉,显著提高了植物点云的3D语义细分精度.
• 这些改进的细分能力导致了更准确的植物架构重建,推进了自动化的植物表型.
• 该研究强调了定制数据增强对于植物科学应用中的深度学习的重要性.