基于点监督主动学习的谷物穗低成本高效检测

小麦与高粱等谷类作物的穗密度是植物育种者与农艺学家了解作物产量的主要指标之一。为有效表型化穗密度，研究者一致认为亟需基于计算机视觉的目标检测技术。尤其在近期，基于深度学习的目标检测研究在多项农业研究中展现出可喜成果。然而，训练此类系统通常需要大量边界框标注数据。由于作物受环境与遗传条件共同影响，为每种作物获取海量标注图像数据集既昂贵又耗时。因此，为催化自动目标检测在作物表型中的广泛应用，开发此类自动化系统的低成本方法至关重要。我们提出一种基于点监督的主动学习方法用于谷类作物穗检测。在我们的方法中，模型通过迭代地仅查询信息量最大图像的标签（而非数据集中所有图像）来持续与人标注者交互。我们的查询方法专为通常具有外观低方差穗的谷类作物设计。该方法通过智能利用低成本弱标签（目标中心）来挑选需强标签（边界框）的最具信息量图像，从而降低标注成本。我们在两个公开谷类作物数据集——Sorghum与Wheat上展示了 promising 结果。在Sorghum上，我们提出的6种变体以超过55%的标注时间节省优于最佳基线方法。类似地，在Wheat上，3种所提方法变体以超过50%的标注时间节省优于最佳基线方法。