结合上下文的航拍影像中杂草自动检测
计算机视觉与模式识别
2019-11-21 v3 图像与视频处理
摘要
在本文中，我们展示了利用图像片段周围上下文来区分栽培玉米植株与草类或类草杂草图像片段的能力。尽管卷积神经网络（convolutional neural network, CNN）已在目标检测中带来了最先进的精度，但当不同类别的物体具有相似特征时会出现错误。当图像中物体观测尺度过小时，难以分辨特征的明显差异，常导致图像被错误分类或定位，这种情况便会发生。为解决此问题，我们将探索在分类图像片段时使用上下文。该技术在训练和测试时向卷积神经网络输入一个中心方形图像及其直接周边的边界。这意味着，尽管图像以较小尺度标注以保持准确定位，网络仍对图像进行分类并学习包含更宽上下文的特征。我们通过玉米田中草类（狐尾草）与类草（黄莎草）杂草检测的案例研究，展示了该上下文技术在目标检测任务中的益处。在这一标准情形下，仅添加上下文便使神经网络的错误率从 7.1% 降至 4.3%，近乎减半。仅经一轮带上下文的训练，该网络所达精度也高于无上下文网络训练 50 轮后的精度。上下文技术的益处可能在农业场景中尤为明显，其中若不考虑部件（如叶片）出现的上下文，若干植物的部件可能看似相似。
引用
@article{arxiv.1910.00652,
title = {Automated Weed Detection in Aerial Imagery with Context},
author = {Delia Bullock and Andrew Mangeni and Tyr Wiesner-Hanks and Chad DeChant and Ethan L. Stewart and Nicholas Kaczmar and Judith M. Kolkman and Rebecca J. Nelson and Michael A. Gore and Hod Lipson},
journal= {arXiv preprint arXiv:1910.00652},
year = {2019}
}