一个多层次的点监督网络,用于在野外计数玉米.
Haoyu Zheng1, Xijian Fan1, Weihao Bo1
1College of Information Science and Technology, Nanjing Forestry University, Nanjing, China.
Plant phenomics (Washington, D.C.)
|October 4, 2023
概括
本研究介绍了MLAENet,这是一种新的深度学习模型,用于使用点注释准确计算玉米. 该网络提高了作物监测和产量估计的检测准确度和速度.
科学领域:
- 农业技术 农业技术
- 计算机视觉 计算机视觉 计算机视觉
- 深度学习是一种深度学习.
背景情况:
- 准确的玉米子计数对于作物监测和产量估计至关重要.
- 现有的深度学习对象检测方法与不同的Tassel尺度和复杂的背景作斗争,导致检测效率低下.
- 目前的方法通常需要界限框注释,这是劳动密集型的.
研究的目的:
- 提出一个新的深度学习模型,MLAENet,只使用点级注释来准确计算玉米.
- 为了应对玉米检测中尺度变化和背景复杂性的挑战.
- 提高自动作物监测系统的效率和准确性.
主要方法:
- 开发了一个使用点级注释的多尺度轻度注意力增强网络 (MLAENet).
- 引入了多列轻功能的提取模块,具有扩展的卷积,用于依赖规模的密度图生成.
- 实施了多功能增强模块,并制定了注意力策略,以处理复杂的背景.
- 设计了一个UP-Block模块,在密度图上采样时抑制格子效应.
主要成果:
- 在两个公共数据集上,MLAENet在计数准确度方面与最先进的方法相比,显示出了显著的优势.
- 拟议的网络实现了更好的推断速度.
- 该模型有效地处理玉米图像中的尺度变化和复杂的背景.
结论:
- MLAENet提供了一种强大而高效的解决方案,用于使用点注释计数玉米.
- 该方法显示了提高精准农业和作物产量预测的潜力.
- 该模型的公开可用性促进了作物监测的进一步研究和应用.


