利用迁移学习克服小型微根窗数据集
计算机视觉与模式识别
2020-07-02 v3
摘要
微根窗技术被广泛用于研究根系发育。此类系统通过将植入土壤中的透明管内成像系统扫描，原位采集植物根系的可见波长彩色图像。根系系统的自动化分析可促进新的科学发现，这对解决全球紧迫的粮食、资源和气候问题至关重要。从图像中自动分析植物根系的一个关键组成部分是将根系从其周围土壤中自动像素级分割。由于局部土壤和根系条件多变，监督学习技术似乎是应对该挑战的合适工具，然而，由于易错且耗时的手动标注过程，缺乏足够的标注训练数据是一大限制。本文中，我们研究基于 U-net 架构的深度神经网络用于微根窗图像中自动化、精确的逐像素根系分割。我们编译了两个微根窗图像数据集来完成本研究：一个含 17,550 张花生根系图像，另一个含 28 张柳枝稷根系图像。两个数据集均配有手动标注的真实掩码。我们在较大的花生根系数据集上训练了三种不同架构的神经网络，以探索神经网络深度对分割性能的影响。为应对更受限的柳枝稷根系数据集，我们展示了以在花生数据集上预训练的特征初始化、再在柳枝稷数据集上微调的模型可显著提升分割性能。仅使用 21 张训练图像，我们在柳枝稷图像中获得了 99% 的分割准确率。我们还观察到，在密切相关但规模相对中等的如我们的花生数据集上预训练的特征，比在大型但不相关的 ImageNet 数据集上预训练的特征更有效。
引用
@article{arxiv.1903.09344,
title = {Overcoming Small Minirhizotron Datasets Using Transfer Learning},
author = {Weihuang Xu and Guohao Yu and Alina Zare and Brendan Zurweller and Diane Rowland and Joel Reyes-Cabrera and Felix B Fritschi and Roser Matamala and Thomas E. Juenger},
journal= {arXiv preprint arXiv:1903.09344},
year = {2020}
}