包装提高了基于深度学习的语义细分的性能,使用有限的标签图像:作物细分的案例研究,用于高通量植物表型化

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:

• 基于现场的高通量植物表型 (FHTPP) 依赖于准确的作物细分来进行特征分析.
• 深度卷积神经网络 (DCNN) 对细分具有强大的功能,但需要大型,昂贵的标记数据集.
• 现有的方法面临着数据可用性和计算效率方面的挑战.

研究的目的:

• 引入和评估深度学习与袋装方法,以提高FHTPP中的作物细分.
• 为应对基于DCNN的植物表型化中有限的标记数据的挑战.
• 与传统和现有的深度学习方法相比,提高作物细分的准确性和速度.

主要方法:

• 为语义细分而开发了一种新的深度学习与袋装合体方法.
• 该方法在NU-Spidercam玉米数据集的高分辨率RGB图像上进行了测试.
• 对传统的机器学习和标准的深度学习模型进行了性能评估.

主要成果:

• 拟议的方法显著优于现有模型,实现了高达40%的跨欧盟交叉 (IoU) 比值方法高.
• 与传统的机器学习方法相比,它显示了11%的改进.
• 该方法实现了更快的预测时间和可管理的培训时间,即使是小标记数据集.

结论:

• 使用袋式深度学习为FHTPP的作物细分提供了可扩展和有效的解决方案,即使数据有限.
• 这种方法增强了自动化植物特征分析,并显示了更广泛的遥感应用的潜力.
• 公共可用的源代码有助于进一步的研究和应用.