有效的小麦头部细分与最小的注释:一个生成的方法
Jaden Myers1, Keyhan Najafian2, Farhad Maleki1
1Department of Computer Science, University of Calgary, 2500 University Drive NW, Calgary, AB T2N 1N4, Canada.
Journal of imaging
|July 26, 2024
概括
研究人员开发了一种使用生成对抗网络 (GAN) 的新方法,以弥合合成和真实图像之间的领域差距,用于训练深度学习模型. 这种方法有效地为小麦头部细分等任务创建现实的注释数据集.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 农业技术 农业技术
背景情况:
- 监督深度学习模型需要大量的注释数据集,这些数据集的创建是昂贵和耗时的.
- 可以使用合成数据,但存在域间隙,导致真实数据的性能差.
- 这种领域差距阻碍了深度学习在图像处理任务中的实际应用.
研究的目的:
- 为了解决深度学习模型开发有限的注释数据的挑战.
- 使用生成对抗网络 (GAN) 弥合合成和现实世界的图像之间的域差距.
- 为小麦头部细分创建一个现实的注释合成数据集.
主要方法:
- 计算模拟了一个大规模的注释数据集.
- 采用生成对抗网络 (GAN) 来最大限度地减少模拟和真实图像之间的域间隙.
- 利用增强的合成数据集来训练语义细分的深度学习模型.
主要成果:
- 开发了一个现实的注释合成数据集用于小麦头部细分.
- 在内部数据集上获得了83.4%的子得分.
- 在来自全球小麦头部检测数据集的外部数据集上获得79.6%和83.6%的子得分.
结论:
- 提出的基于GAN的方法有效地弥合了领域的差距,使得合成数据可以用于训练深度学习模型.
- 该方法在小麦头部细分方面非常有效,并显示了对其他作物类型和密集图像的概括潜力.
- 这项研究有助于开发强大的深度学习模型,即使使用有限的现实世界注释数据.
相关概念视频
02:16Light Acquisition
8.4K
In order to produce glucose, plants need to capture sufficient light energy. Many modern plants have evolved leaves specialized for light acquisition. Leaves can be only millimeters in width or tens of meters wide, depending on the environment. Due to competition for sunlight, evolution has driven the evolution of increasingly larger leaves and taller plants, to avoid shading by their neighbors with contaminant elaboration of root architecture and mechanisms to transport water and nutrients.
8.4K
03:36Genome Annotation and Assembly
18.8K
The genome refers to all of the genetic material in an organism. It can range from a few million base pairs in microbial cells to several billion base pairs in many eukaryotic organisms. Genome assembly refers to the process of taking the DNA sequencing data and putting it all back together in a correct order to create a close representation of the original genome. This is followed by the identification of functional elements on the newly assembled genome, a process called genome annotation.
18.8K