相关实验视频
Updated: Jun 14, 2025
08:20
A Method for Quantifying Foliage-Dwelling Arthropods
Published on: October 20, 2019
5.8K
MTSC-Net:一个半监督的计数网络,用于估计斜松新生长的数量.
Zhaoxu Zhang1, Yanjie Li2, Yue Cao3
1College of Information Science and Engineering, Shandong Agricultural University, Taian, 271018, Shandong Province, China.
Plant phenomics (Washington, D.C.)
|August 29, 2024
概括
这项研究介绍了MTSC-Net,这是一个半监督的深度学习模型,用于准确计算斜松新芽. 这种方法降低了数据标签成本,有助于树木育种和遗传研究.
科学领域:
- 林业科学 林业科学
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 斜松新发芽密度对于生长和光合作用能力的评估至关重要.
- 使用深度学习的自动新射击计数受到昂贵的数据收集和标签的阻碍.
研究的目的:
- 提出MTSC-Net,这是一个半监督的计数网络,用于估计新生长数量.
- 克服传统数据密集型深度学习方法在林业应用中的局限性.
主要方法:
- 使用了平均教师框架,并改进了VGG19用于多尺度特征提取.
- 整合了注意力功能融合模块,以实现有效的功能集成.
- 采用多尺度扩展卷积和掩盖图像建模,以提高计数精度.
主要成果:
- 与其他半监督模型相比,MTSC-Net在各种标记数据百分比 (5%-50%) 中表现出优异的性能.
- 获得了平均绝对误差为17.71和根平均平方误差为25.49,5%的标记数据.
- 验证了模型在减少对广泛标记数据集的需求方面的效率.
结论:
- MTSC-Net提供了一种高效的半监督方法,用于自动计数新生苗.
- 该方法为树木育种和遗传利用计划提供了宝贵的自动化支持.
- 强调半监督学习在解决生态研究数据稀缺问题的潜力.
