面向精准农业中作物/杂草分割的多光谱图像合成
计算机视觉与模式识别
2021-09-07 v2 机器人学
摘要
有效的感知系统是农业机器人的基本组成部分，因为它使机器人能够恰当地感知周围环境并执行针对性操作。最新方法利用最先进的机器学习技术来学习用于目标任务的有效模型。然而，这些技术需要大量标注数据用于训练。近期应对该问题的一种方法是通过生成对抗网络（GAN）进行数据增强，将整个合成场景添加到训练数据中，从而扩充并丰富其信息内容。在本工作中，我们针对精准农业中作物/杂草分割这一基本问题，提出了一种相对于常见数据增强方法的替代方案。从真实图像出发，我们将最具相关性的对象类别（即作物与杂草）替换为其合成对应物，从而创建半人工样本。为此，我们采用了条件 GAN（cGAN），其生成模型通过以生成对象的形状为条件进行训练。此外，除 RGB 数据外，我们还考虑近红外（NIR）信息，生成四通道多光谱合成图像。在三个公开可用数据集上进行的定量实验表明：（i）我们的模型能够生成逼真的植物多光谱图像；（ii）在训练过程中使用此类合成图像可提升最先进语义分割卷积网络的分割性能。
引用
@article{arxiv.2009.05750,
title = {Multi-Spectral Image Synthesis for Crop/Weed Segmentation in Precision Farming},
author = {Mulham Fawakherji and Ciro Potena and Alberto Pretto and Domenico D. Bloisi and Daniele Nardi},
journal= {arXiv preprint arXiv:2009.05750},
year = {2021}
}