DeepWheat：基于深度学习从作物图像估计表型性状
计算机视觉与模式识别
2018-01-30 v2
摘要
本文研究从麦田小区的彩色图像与高程图中估计出苗与生物量性状。我们采用 state-of-the-art 的反卷积网络进行分割，并采用包含残差层与类 Inception 层的卷积架构，通过高维非线性回归来估计性状。在两项不同小麦品种上进行了评估，这些小麦种植于实验性植物育种研究的小区中。我们的框架取得了令人满意的性能，出苗估计的绝对差均值与标准差分别为 1.05 和 1.40，生物量估计分别为 1.45 和 2.05。我们从田间图像中计数小麦植株的结果优于文献中报道的类似但难度可能更低的莲座叶植物室内图像叶片计数任务的准确率。我们的生物量估计结果即使在数据集非常小的情况下，也优于文献中此前提出的所有方法。
引用
@article{arxiv.1710.00241,
title = {DeepWheat: Estimating Phenotypic Traits from Crop Images with Deep Learning},
author = {Shubhra Aich and Anique Josuttes and Ilya Ovsyannikov and Keegan Strueby and Imran Ahmed and Hema Sudhakar Duddu and Curtis Pozniak and Steve Shirtliffe and Ian Stavness},
journal= {arXiv preprint arXiv:1710.00241},
year = {2018}
}
备注
WACV 2018 (Code repository: https://github.com/p2irc/deepwheat_WACV-2018)