用于大豆胞囊线虫卵检测的端到端卷积选择性自编码器方法
计算机视觉与模式识别
2016-03-28 v1 机器学习
机器学习
摘要
本文提出了一种在深度卷积网络框架内的新颖选择性自编码器方法。该思想的核心在于训练一个深度卷积自编码器来抑制图像帧中不需要的部分，同时保留所需部分，从而实现高效的目标检测。该框架的有效性在一个关键的植物科学问题上得到展示。在美国，由于大豆植物的线虫感染，每年约损失$1 billion。目前，植物病理学家依赖通过手动显微镜对土壤样本中的大豆胞囊线虫（SCN）卵进行劳动密集且耗时的识别。所提出的框架试图通过使用一系列手动标记的显微图像进行训练，随后进行自动化高通量卵检测，来显著加快该过程。该问题尤其困难，因为图像帧中存在大量非卵颗粒（干扰物），它们在形状、姿态和光照上与SCN卵非常相似。因此，训练选择性自编码器以学习与SCN卵不变形状和大小相关的独特特征，而无需手工制作。之后，在后处理阶段应用复合的非极大值抑制和差分。
引用
@article{arxiv.1603.07834,
title = {An end-to-end convolutional selective autoencoder approach to Soybean Cyst Nematode eggs detection},
author = {Adedotun Akintayo and Nigel Lee and Vikas Chawla and Mark Mullaney and Christopher Marett and Asheesh Singh and Arti Singh and Greg Tylka and Baskar Ganapathysubramaniam and Soumik Sarkar},
journal= {arXiv preprint arXiv:1603.07834},
year = {2016}
}
备注
A 10 pages, 8 figures International Conference on Machine Leaning(ICML) Submission