主动学习对于基于图像的植物表型分析有多大用处？
计算机视觉与模式识别
2020-07-14 v3
摘要
深度学习模型已成功部署于包括病害检测与分类在内的多种基于图像的植物表型分析应用中。然而，有监督深度学习模型的成功部署需要大量标注数据，而由于固有的复杂性，这在植物科学（及大多数生物学）领域是一项重大挑战。具体而言，数据标注成本高昂、费力、耗时，且表型任务（尤其是病害）需要领域专业知识。为克服此挑战，人们提出了主动学习算法，以减少深度学习模型达到良好预测性能所需的标注量。主动学习方法利用采集函数在固定标注预算下自适应地选择样本进行标注，以实现最大（分类）性能。我们报告了四种不同主动学习方法——(1) 深度贝叶斯主动学习（DBAL）、(2) 熵、(3) 最小置信度、以及 (4) Coreset——与常规基于随机采样的标注方法，在两个不同的基于图像的分类数据集上的性能。第一个图像数据集包含属于八种不同大豆胁迫及一个健康类别的大豆 [Glycine max L. (Merr.)] 叶片，第二个包含来自田间的九种不同杂草物种。在固定标注预算下，我们观察到采用基于主动学习的采集策略的深度学习模型分类性能在两个数据集上均优于基于随机采样的采集。主动学习策略与数据标注的整合有助于缓解植物科学应用中的标注难题，尤其在需要深厚领域知识的场合。
引用
@article{arxiv.2006.04255,
title = {How useful is Active Learning for Image-based Plant Phenotyping?},
author = {Koushik Nagasubramanian and Talukder Z. Jubery and Fateme Fotouhi Ardakani and Seyed Vahid Mirnezami and Asheesh K. Singh and Arti Singh and Soumik Sarkar and Baskar Ganapathysubramanian},
journal= {arXiv preprint arXiv:2006.04255},
year = {2020}
}