CSNet:通过多级MLP混合器进行计数监督的网络,用于计数小麦.

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:

• 小麦产量对于全球粮食安全至关重要,因此精确的耳数计数对于育种和估计至关重要.
• 目前的自动化小麦计数方法需要位置级注释,这是劳动密集型的,并阻碍了农业的深度学习采用.

研究的目的:

• 开发一种自动化的小麦计数方法,利用计数级监督而不是位置级注释.
• 为了降低与训练农业计数任务的深度学习模型相关的注释成本和劳动力.

主要方法:

• 提出一个计数监督的多尺度感知小麦计数网络 (CSNet).
• CSNet使用MLP-Mixer作为一个具有全球受感场的多尺度感知模块,以学习小目标的注意力地图,而无需位置信息.
• 在公共小麦头检测数据集上训练和评估网络.

主要成果:

• 拟议的CSNet,通过计数监督学习进行培训,优于现有的位置监督方法.
• 与传统方法相比,CSNet实现了较低的平均绝对误差 (MAE) 和根平均平方误差 (RMSE).
• 证明了使用数量信息来准确计数小麦的有效性.

结论:

• 计数监督策略显著降低了标签成本,同时保持或提高计数准确度.
• 在农业中,CSNet显示了推进自动计数的巨大潜力,特别是在小麦育种和产量估计方面.
• 开发的方法通过尽量减少注释要求,为在农业中应用深度学习提供了实际解决方案.