DeepWeeds：用于深度学习的多类别杂草物种图像数据集
计算机视觉与模式识别
2019-02-15 v3 机器学习
机器学习
摘要
机器人除草近年来因其在提高农业生产力方面的潜力而受到越来越多的研究。大多数工作集中于开发用于耕地的机器人，忽视了牧场养殖户面临的杂草管理问题。或许阻碍机器人除草广泛应用的最大障碍是在自然环境中对杂草物种的鲁棒分类。深度学习的空前成功使其成为在复杂牧场环境中识别各种杂草物种的理想选择。本工作贡献了首个来自澳大利亚牧场的大型公开多类别杂草物种图像数据集，使得开发鲁棒的分类方法以实现机器人除草成为可能。DeepWeeds 数据集包含来自澳大利亚北部八个地点的八种具有全国重要性的杂草物种的 17,509 张标注图像。本文使用基准深度学习模型 Inception-v3 和 ResNet-50 给出了该数据集分类性能的基线。这些模型分别达到了 95.1% 和 95.7% 的平均分类准确率。我们还展示了 ResNet-50 架构的实时性能，平均每张图像推理时间为 53.4 ms。这些强劲结果为未来在澳大利亚牧场实地部署机器人除草方法带来了良好前景。
引用
@article{arxiv.1810.05726,
title = {DeepWeeds: A Multiclass Weed Species Image Dataset for Deep Learning},
author = {Alex Olsen and Dmitry A. Konovalov and Bronson Philippa and Peter Ridd and Jake C. Wood and Jamie Johns and Wesley Banks and Benjamin Girgenti and Owen Kenny and James Whinney and Brendan Calvert and Mostafa Rahimi Azghadi and Ronald D. White},
journal= {arXiv preprint arXiv:1810.05726},
year = {2019}
}
备注
14 pages, 8 figures, 4 tables