基于深度学习生成模型的植物叶片图像合成方法
计算机视觉与模式识别
2023-01-11 v1 机器学习
摘要
目的。我们通过先进的深度学习（DL）技术以自动化方式生成人工叶片图像。我们旨在为现代作物管理的 AI 应用提供训练样本来源。此类应用需要大量数据，而尽管叶片图像并非真正稀缺，图像采集与标注仍是极为耗时的过程。数据稀缺可通过增强技术解决，即对小型数据集中的样本进行简单变换，但增强数据的丰富性有限：这促使我们寻找替代方法。方法。基于 DL 生成模型的方法，我们提出一种叶片到叶片翻译（L2L）流程，分为两步：首先，残差变分自编码器架构从真实图像的伴随二值化骨架生成合成叶片骨架（叶片轮廓与叶脉）；第二步，我们通过 Pix2pix 框架进行翻译，该框架使用条件生成对抗网络来重现叶片表面的着色，同时保持形状与叶脉模式。结果。L2L 流程生成的合成叶片图像具有逼真外观。我们从定性与定量两方面衡量性能；在定量评估中，我们采用 DL 异常检测策略来量化合成叶片相对于真实样本的异常程度。结论。生成式 DL 方法有望成为为计算机辅助应用提供低成本有意义合成样本的新范式。本 L2L 方法是朝此目标的一步，能够生成与真实叶片在定性与定量上均高度相似的合成样本。
引用
@article{arxiv.2111.03388,
title = {A Deep Learning Generative Model Approach for Image Synthesis of Plant Leaves},
author = {Alessandro Benfenati and Davide Bolzi and Paola Causin and Roberto Oberti},
journal= {arXiv preprint arXiv:2111.03388},
year = {2023}
}