基于深度迁移学习的植物中心定位
计算机视觉与模式识别
2020-04-30 v1
摘要
植物表型组学关注整个生长季植物特征的测量，通常旨在为植物育种评估基因型。估计植物位置对于识别低出苗率的基因型十分重要，这也与环境及肥料施用等管理措施相关。本文的目标是研究方法，利用无人机（UAVs）捕获的RGB航拍图像估计田间作物的植物位置。深度学习方法为定位RGB图像中观测到的植物提供了有前景的能力，但其需要大量标注数据（真值）用于训练。使用在单一田块或单一作物类型上微调的深度学习架构，应用于其他地理区域的其他作物田块可能效果不佳。为每个新田块生成真值的问题费力且繁琐。本文中，我们提出一种利用有限真值数据将现有模型迁移至新场景来估计植物中心的方法。我们描述了使用针对单一田块或单一植物类型微调的模型，在多样化相似作物与田块上进行迁移学习。我们展示了迁移学习为检测植物位置提供了有前景的结果。
引用
@article{arxiv.2004.13973,
title = {Deep Transfer Learning For Plant Center Localization},
author = {Enyu Cai and Sriram Baireddy and Changye Yang and Melba Crawford and Edward J. Delp},
journal= {arXiv preprint arXiv:2004.13973},
year = {2020}
}