基于多示例学习的微根窗图像根系识别
计算机视觉与模式识别
2020-05-26 v3
摘要
本文提出了多示例学习（MIL）算法，仅使用图像级标签即可在微根窗图像中自动进行根系检测与分割。根系与土壤特征因地而异，因此使用局部数据训练的监督机器学习方法在微根窗图像中识别和分割根系的能力最佳。然而，为训练数据（或其他用途）标注根系是一项极其繁琐且耗时的任务。本文旨在通过以图像级（而非单根或根像素级）标注数据，并训练算法利用 MIL 策略执行根像素级分割来解决此问题。三种 MIL 方法（多示例自适应余弦相干估计器、多示例支持向量机、基于随机树的多示例学习）被应用于根系检测，并与非 MIL 方法进行比较。结果表明，MIL 方法改善了在具有挑战性的微根窗图像中的根系分割，并减轻了标注负担。在我们的结果中，多示例支持向量机优于其他方法。多示例自适应余弦相干估计器算法紧随其后，其附加优势在于学习到了可解释的根系特征，该特征识别了用于区分根系与土壤的属性，且不需要参数选择。
引用
@article{arxiv.1903.03207,
title = {Root Identification in Minirhizotron Imagery with Multiple Instance Learning},
author = {Guohao Yu and Alina Zare and Hudanyun Sheng and Roser Matamala and Joel Reyes-Cabrera and Felix B. Fritschi and Thomas E. Juenger},
journal= {arXiv preprint arXiv:1903.03207},
year = {2020}
}