用于高粱分类的多分辨率离群池化
计算机视觉与模式识别
2021-06-24 v2 机器学习
摘要
自动化高通量植物表型分析涉及利用RGB、热成像和高光谱相机（及其他）等传感器，对植物的物理属性进行大规模快速测量，以更好地理解作物之间的差异并促进快速育种计划。最基本的表型任务之一是确定特定传感器产品中的品种或物种。这一简单表型可用于检测种植错误并学习品种间最具区分性的特征。它也是一项具有挑战性的视觉识别任务，因为大量高度相关的作物同时种植，导致类间方差较小的分类问题。在本文中，我们介绍了Sorghum-100数据集，这是一个由最先进的龙门系统捕获的高粱RGB图像大型数据集，一种在多分辨率上学习作物全局与细粒度特征的多分辨率网络架构，以及一种称为动态离群池化（Dynamic Outlier Pooling）的新全局池化策略，该策略在此任务上优于标准全局池化策略。
引用
@article{arxiv.2106.05748,
title = {Multi-resolution Outlier Pooling for Sorghum Classification},
author = {Chao Ren and Justin Dulay and Gregory Rolwes and Duke Pauli and Nadia Shakoor and Abby Stylianou},
journal= {arXiv preprint arXiv:2106.05748},
year = {2021}
}
备注
CVPR 2021 Agriculture-Vision Workshop