少样本学习实现毛果杨叶片性状的群体规模分析
计算机视觉与模式识别
2023-05-19 v3 定量方法
摘要
植物表型分析通常是一项耗时且昂贵的任务，需要大量研究人员细致测量生物学相关植物性状，并且是理解植物适应性及复杂性状遗传架构在群体规模上的主要瓶颈。在本工作中，我们通过利用带卷积神经网络（CNNs）的少样本学习来分割在田间获取的 2,906 张 P. trichocarpa 叶片图像的叶身与可见叶脉，从而应对这些挑战。与以往方法相比，我们的方法（i）不需要实验或图像预处理，（ii）使用全分辨率的原始 RGB 图像，且（iii）训练所需样本极少（例如，仅八张图像用于叶脉分割）。与叶片形态和叶脉拓扑相关的性状使用传统开源图像处理工具从所得分割中提取，使用真实物理测量进行验证，并用于开展全基因组关联研究以识别控制这些性状的基因。以此方式，当前工作旨在为植物表型学界提供（i）需要极少训练数据的快速且准确的基于图像的特征提取方法，以及（ii）一个新的群体规模数据集，包含 68 种不同的叶片表型，供领域科学家与机器学习研究人员使用。所有少样本学习代码、数据与结果均已公开提供。
引用
@article{arxiv.2301.10351,
title = {Few-Shot Learning Enables Population-Scale Analysis of Leaf Traits in Populus trichocarpa},
author = {John Lagergren and Mirko Pavicic and Hari B. Chhetri and Larry M. York and P. Doug Hyatt and David Kainer and Erica M. Rutter and Kevin Flores and Jack Bailey-Bale and Marie Klein and Gail Taylor and Daniel Jacobson and Jared Streich},
journal= {arXiv preprint arXiv:2301.10351},
year = {2023}
}