Eff-3DPSeg:使用注释效率高的深度学习进行3D器官级植物射击细分
Liyi Luo1, Xintong Jiang1, Yu Yang1,2
1Bioresource Engineering Department, McGill University, Montreal, QC, Canada.
Plant phenomics (Washington, D.C.)
|August 4, 2023
概括
本研究介绍了Eff-3DPSeg,这是一种弱监督的深度学习方法,用于3D植物发芽细分. 它显著减少了注释工作,同时在提取植物特征方面实现了高精度,有助于植物育种.
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:
- 精确的3D植物芽细分对于提取器官水平的表型特征至关重要.
- 完全监督的深度学习需要大量的,耗时的点对点注释.
- 开发高效的注释策略对于推进植物表型化至关重要.
研究的目的:
- 提出一种新的弱监督框架,Eff-3DPSeg,用于自动化3D植物生长细分.
- 为了减少植物器官细分的深度学习模型中的注释负担.
- 为了能够准确地提取植物表型特征,以改善植物育种.
主要方法:
- 使用低成本的摄像度重建了大豆的高分辨率3D点云.
- 开发了一个基于Meshlab的植物注释器,用于高效的点云注释.
- 实施了一种弱监督的深度学习方法,涉及自我监督的预训和最小的微调 (0.5%注释积分).
主要成果:
- 对于大豆茎叶细分,Eff-3DPSeg实现了高精度 (95.1%),回忆 (96.6%),F1得分 (95.8%) 和mIoU (92.2%).
- 证明了与完全监督的方法可比的性能,注释工作显著减少.
- 成功提取了关键的表型特征,包括茎直径,叶子宽度和叶子长度.
结论:
- 低监督的深度学习为3D植物芽分割提供了有效的解决方案,最大限度地降低了注释成本.
- 该Eff-3DPSeg框架提供了一个可扩展的方法来表征3D工厂架构.
- 这种方法有可能通过详细的表型定型来提高选择过程,从而加速植物育种.
