打破人类注释培训数据的障碍,以机器学习辅助的植物研究,使用空中图像

科学领域:

• 植物科学 植物科学
• 机器学习 机器学习
• 生物信息学是一种生物信息学.

背景情况:

• 机器学习 (ML) 在生物研究中的采用,特别是基于传感器的表型化,受到广泛的人类注释数据的需求的阻碍.
• 跨遗传和环境背景的表型变异进一步复杂化了ML工具的开发和应用.

研究的目的:

• 展示一种ML方法,尽量减少生物研究中工具构建的人类监督.
• 解决 ML 驱动的表型化成本高且耗时的数据采集瓶.

主要方法:

• 一个案例研究涉及无人机 (UAV) 图像的自动分析,以确定Miscanthus物种中的恐慌存在 (标题).
• ML方法的比较,包括一个有效监督的生成对抗网络 (ESGAN) 学习策略.
• 利用成千上万的未标记图像来告知分类器的辨别能力,减少对标记数据的依赖.

主要成果:

• 自动化的空中图像分析识别了方向,比手动现场检查快9倍左右.
• 与完全监督的方法相比,ESGAN战略将人类注释数据的要求降低了1到2个数量级.
• 该ESGAN模型有效地使用未标记的数据学习了突出的特征,需要最小的人类标记的培训数据.

结论:

• 这种ML方法加速了Miscanthus的标题日期在各种遗传和环境环境中的表型化.
• 该方法显著降低了数据注释负担,为在植物科学中更广泛采用ML工具铺平了道路.
• 这项工作为高通量表型化提供了可扩展的解决方案,这对于作物改良和生态研究至关重要.