改进的 CycleGAN 用于小麦穗分割样本合成
计算机视觉与模式识别
2024-02-26 v1 人工智能
摘要
深度学习模型已广泛应用于各种图像处理任务。然而，这些模型大多通过监督学习方法开发，严重依赖大规模标注数据集的可用性。构建此类数据集既繁琐又昂贵。在缺乏标注数据集的情况下，可使用合成数据进行模型开发；但由于模拟数据与真实数据之间存在显著差异（即所谓的域间隙现象），由此产生的模型在应用于真实数据时往往表现不佳。本研究旨在通过首先计算模拟大规模标注数据集，然后利用生成对抗网络（GAN）填补模拟图像与真实图像之间的差距来应对这一挑战。该方法生成的合成数据集可有效用于训练深度学习模型。利用此方法，我们开发了一个用于小麦穗分割的真实标注合成数据集，并据此开发了一个用于语义分割的深度学习模型。所得模型在内部数据集上的 Dice 分数为 83.4\%，在两个外部 Global Wheat Head Detection 数据集上的 Dice 分数分别为 79.6% 和 83.6%。虽然本研究提出的方法针对小麦穗分割场景，但其可推广至其他作物类型，或更广泛地适用于具有密集重复模式的图像（如细胞成像）。
引用
@article{arxiv.2402.15135,
title = {Modified CycleGAN for the synthesization of samples for wheat head segmentation},
author = {Jaden Myers and Keyhan Najafian and Farhad Maleki and Katie Ovens},
journal= {arXiv preprint arXiv:2402.15135},
year = {2024}
}