Eff-3DPSeg：基于标注高效点云的三维器官级植物地上部分割
计算机视觉与模式识别
2022-12-21 v1 人工智能
摘要
可靠且自动化的三维植物地上部分割是提取器官级植物表型性状的核心前提。将深度学习与点云结合可为应对该挑战提供有效途径。然而，全监督深度学习方法要求数据集进行逐点标注，这极其昂贵且耗时。在我们的工作中，我们提出了一种新颖的弱监督框架 Eff-3DPSeg，用于三维植物地上部分割。首先，使用低成本摄影测量系统重建大豆的高分辨率点云，并开发了基于 Meshlab 的 Plant Annotator 用于植物点云标注。其次，提出了一种用于植物器官分割的弱监督深度学习方法。该方法包含：（1）使用 Viewpoint Bottleneck 损失自监督预训练网络，从原始点云中学习有意义的内在结构表示；（2）仅用约 0.5% 的点被标注来微调预训练模型以实现植物器官分割。之后，提取了三个表型性状（茎直径、叶宽和叶长）。为测试所提方法的通用性，本研究纳入了公共数据集 Pheno4D。实验结果表明，弱监督网络获得了与全监督设置相似的分割性能。我们的方法在茎叶分割的精确率、召回率、F1 分数和 mIoU 上分别达到 95.1%、96.6%、95.8% 和 92.2%，在叶片实例分割的 AP、AP@25 和 AP@50 上分别达到 53%、62.8% 和 70.3%。本研究为刻画三维植物结构提供了一种有效方法，将有助于植物育种者改进选种过程。
引用
@article{arxiv.2212.10263,
title = {Eff-3DPSeg: 3D organ-level plant shoot segmentation using annotation-efficient point clouds},
author = {Liyi Luo and Xintong Jiang and Yu Yang and Eugene Roy Antony Samy and Mark Lefsrud and Valerio Hoyos-Villegas and Shangpeng Sun},
journal= {arXiv preprint arXiv:2212.10263},
year = {2022}
}
备注
This paper has been submitted to Plant Phenomics