生成对抗网络在农业图像增强中的系统性综述
计算机视觉与模式识别
2022-04-14 v2 图像与视频处理
摘要
在农业图像分析中，为更好地完成视觉识别任务（如图像分类、分割、目标检测与定位），面对生物变异和非结构化环境的挑战，人们迫切追求最优的模型性能。然而，大规模、平衡且有真值标注的图像数据集往往难以获取，无法支撑先进高性能模型的开发。随着基于深度学习的的人工智能正影响农业图像的分析与建模，数据增强通过在算法上扩充训练数据集，在提升模型性能的同时减少数据准备的手动工作，发挥着关键作用。除传统数据增强技术外，计算机视觉领域于2014年提出的生成对抗网络（GAN）提供了一系列新方法，能够学习良好的数据表示并生成高度逼真的样本。自2017年以来，将GAN用于农业图像增强或合成以提升模型性能的研究逐渐增多。本文概述了GAN架构的演进，随后系统综述了其在农业中的应用（https://github.com/Derekabc/GANs-Agriculture），涉及植物健康、杂草、水果、水产养殖、动物养殖、植物表型以及采后水果缺陷检测等多种视觉任务。文中讨论了GAN面临的挑战与未来研究机遇。
引用
@article{arxiv.2204.04707,
title = {Generative Adversarial Networks for Image Augmentation in Agriculture: A Systematic Review},
author = {Ebenezer Olaniyi and Dong Chen and Yuzhen Lu and Yanbo Huang},
journal= {arXiv preprint arXiv:2204.04707},
year = {2022}
}
备注
32 pages, 15 figures