ARIGAN：利用生成对抗网络合成拟南芥植株
计算机视觉与模式识别
2017-09-05 v1
摘要
近年来，基于图像的植株表型分析日益受到关注，应用最先进的机器学习方法来解决叶片分割（多实例问题）和计数等挑战性难题。大多数此类算法需要标注数据来学习任务模型。尽管最近发布了一些植物表型数据集，但仍缺乏用于训练深度学习算法的大规模标注植物图像数据集。缓解训练数据缺乏的一种常见方法是数据集增强。在此，我们提出了一种替代方案，即利用生成神经网络创建人工植物图像以用于植物表型分析。我们提出了拟南芥莲座叶图像生成对抗网络（ARIGAN）：一种受 DCGAN（一种近期使用卷积层的对抗网络模型）启发的深度卷积网络，能够生成合成的莲座状植株。具体而言，我们使用包含拟南芥（Arabidopsis Thaliana）的 CVPPP 2017 LCC 数据集中的 A1、A2 和 A4 部分训练了该网络。结果表明，我们的模型能够生成逼真的 128x128 彩色植物图像。我们在训练网络时以叶片数量为条件，从而能够生成具有特定叶片数量的植株，这尤其适用于训练基于回归的模型。我们提出了一个新的 Ax 人工植物图像数据集，该数据集由我们的 ARIGAN 生成。我们使用最先进的叶片计数算法对该新数据集进行了评估，结果显示，当将 Ax 作为训练数据的一部分时，测试误差有所降低。
引用
@article{arxiv.1709.00938,
title = {ARIGAN: Synthetic Arabidopsis Plants using Generative Adversarial Network},
author = {Mario Valerio Giuffrida and Hanno Scharr and Sotirios A Tsaftaris},
journal= {arXiv preprint arXiv:1709.00938},
year = {2017}
}
备注
8 pages, 6 figures, 1 table, ICCV CVPPP Workshop 2017