多任务少样本学习的图像增强：农业领域用例
计算机视觉与模式识别
2021-02-25 v1 人工智能
摘要
大型数据集的可用性正催化深度学习尤其是计算机视觉的迅速扩展。与此同时，许多领域缺乏充足的训练数据，这可能成为计算机视觉技术实际应用的障碍。本文以植物表型组学领域为例，挑战小而失衡的数据集。我们引入一种图像增强框架，能够极大扩充训练样本数量，同时为目标检测、语义分割、实例分割、目标计数、图像去噪和分类等任务提供数据。我们证明，当仅有少量训练样本可用时，我们的增强方法提升了模型性能。在实验中，我们在阿拉伯芥和烟草图像数据集的语义分割任务上使用DeepLabV3模型。所得结果显示，与基础图像增强技术相比，模型性能相对提升9%。
引用
@article{arxiv.2102.12295,
title = {Image Augmentation for Multitask Few-Shot Learning: Agricultural Domain Use-Case},
author = {Sergey Nesteruk and Dmitrii Shadrin and Mariia Pukalchik},
journal= {arXiv preprint arXiv:2102.12295},
year = {2021}
}