Jove
Visualize
联系我们
JoVE
x logofacebook logolinkedin logoyoutube logo
关于 JoVE
概览领导团队博客JoVE 帮助中心
作者
出版流程编辑委员会范围与政策同行评审常见问题投稿
图书馆员
用户评价订阅访问资源图书馆顾问委员会常见问题
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experiments存档
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教师资源中心教师网站
使用条款与条件
隐私政策
政策

相关概念视频

您也可能阅读

相关文章

通过共同作者、期刊和引用图与本文相关的文章。

排序
Same author

In vitro and in vivo drug release behavior and osteogenic potential of a composite scaffold based on poly(ε-caprolactone)-block-poly(lactic-co-glycolic acid) and β-tricalcium phosphate.

Journal of materials chemistry. B·2020
Same author

Nerve conduits constructed by electrospun P(LLA-CL) nanofibers and PLLA nanofiber yarns.

Journal of materials chemistry. B·2020
Same author

Polypyrrole-coated poly(l-lactic acid-co-ε-caprolactone)/silk fibroin nanofibrous membranes promoting neural cell proliferation and differentiation with electrical stimulation.

Journal of materials chemistry. B·2020
Same author

Upregulation of deubiquitinase PSMD14 in lung adenocarcinoma (LUAD) and its prognostic significance.

Journal of Cancer·2020
Same author

Rapid Identification of X-ray Diffraction Patterns Based on Very Limited Data by Interpretable Convolutional Neural Networks.

Journal of chemical information and modeling·2020
Same author

CCR4, a RNA decay factor, is hijacked by a plant cytorhabdovirus phosphoprotein to facilitate virus replication.

eLife·2020

相关实验视频

Updated: Jul 11, 2025

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
04:48

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography

Published on: November 30, 2022

2.8K

基于深度学习的作物器官细分的点云下方采样策略的比较研究.

Dawei Li1,2,3, Yongchang Wei4, Rongsheng Zhu5,6

  • 1Engineering Research Center of Digitized Textile and Fashion Technology, Ministry of Education, Donghua University, Shanghai, 201620, China. daweili@dhu.edu.cn.

Plant methods
|November 11, 2023
PubMed
概括

这项研究全面评估了3D作物点云细分的下方采样策略. 没有一个单一的策略在所有深度学习网络中脱而出,但3DEPS和UVS在语义细分方面表现有前途.

关键词:
3D作物数据 3D作物数据植物器官细分 植物器官细分深度学习是一种深度学习.植物表型定型 植物表型定型在点云下方采样下方采样.

更多相关视频

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
04:48

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Published on: July 5, 2024

435
Deep Learning-Based Segmentation of Cryo-Electron Tomograms
10:25

Deep Learning-Based Segmentation of Cryo-Electron Tomograms

Published on: November 11, 2022

8.9K

相关实验视频

Last Updated: Jul 11, 2025

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
04:48

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography

Published on: November 30, 2022

2.8K
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
04:48

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Published on: July 5, 2024

435
Deep Learning-Based Segmentation of Cryo-Electron Tomograms
10:25

Deep Learning-Based Segmentation of Cryo-Electron Tomograms

Published on: November 11, 2022

8.9K

科学领域:

  • 农业科学 农业科学
  • 计算机视觉 计算机视觉
  • 机器学习 机器学习

背景情况:

  • 3D作物数据对于现代育种和产量改善至关重要.
  • 深度学习模型需要固定规模,一致的点云输入用于培训.
  • 有效的下方采样对于降低噪音和保护在作物点云中的3D空间结构至关重要.

研究的目的:

  • 进行第一个关于下向采样策略与工厂点云深度学习网络性能之间的关系的综合性研究.
  • 对五个细分网络 (PointNet++,DGCNN,PlantNet,ASIS,PSegNet) 的下方采样策略 (FPS,RS,UVS,VFPS,3DEPS) 进行评估.

主要方法:

  • 对五种不同的下方采样策略进行交叉评估.
  • 在五个流行的基于深度学习的细分网络上测试这些策略.
  • 对实验结果的定性和定量分析.

主要成果:

  • 没有普遍的"黄金规则"来选择深度学习网络的下方采样策略;最佳选择因网络而异.
  • 对于语义细分网络,3DEPS和UVS通常会产生优异的结果.
  • 基于Voxel的策略可能更适合复杂的双重功能网络.
  • 在4096点的分辨率下,3DEPS表现出高稳定性,与表现最好的策略紧密相匹配.

结论:

  • 最佳的下方采样策略是网络依赖的3D作物器官细分.
  • 在各种网络中,3DEPS成为一贯稳定和有效的选择.
  • 结果为选择适当的下方采样方法提供了指导,以提高农业深度学习模型的准确性.