利用标签插值与蒙特卡洛裁剪提升植物盖度预测的数据效率

植物群落组成是环境变化的重要指示因子，因此生态野外研究通常以所谓的植物盖度进行分析。此类数据的手动获取耗时、费力且易受人误影响。自动相机系统可高频采集调查植被样方的高分辨率图像。结合后续算法分析，可客观、快速且以极少人力提取植物群落组成信息。自动相机系统可轻松收集训练深度学习系统自动分析所需的大量图像数据。然而，由于用植物盖度数据标注植被图像工作量巨大，仅有少量标注样本可用。由于自动相机系统能采集许多无标签图片，我们引入一种方法，将所采集植被样方时间序列中的稀疏标签插值至中间密集无标签图像，从而将训练数据集人工扩充至原始规模的七倍。此外，我们提出一种称为蒙特卡洛裁剪的新方法。该方法在训练图像的裁剪块集合上训练，以高效处理高分辨率图像、隐式增广训练图像并加速训练。我们在包含草本植物群落图像的植物盖度数据集上评估两种方法，发现其改善了所考察的物种、群落与分割指标。