用于弥合基于图像的植物表型分析中物种鸿沟的可扩展学习
计算机视觉与模式识别
2020-04-27 v2
摘要
应用深度学习的传统范式——收集、标注并训练数据——不适用于基于图像的植物表型分析，因为存在近 40 万种不同的植物物种。数据成本包括培育实物样本、成像与标注。模型性能受各植物物种领域间物种鸿沟的影响，其不可泛化，且可能无法迁移至未见过的植物物种。本文中，我们研究合成数据在叶片实例分割中的使用。我们研究了在少量或无标注真实数据可用时，使用 Mask-RCNN 的多种合成数据训练机制。我们还提出 UPGen：一种用于弥合物种鸿沟的通用植物生成器。UPGen 利用域随机化生成广泛分布的数据样本，并对随机生物变异建模。我们的方法在两个未见植物物种上分别比迁移学习等标准做法（如从公开可用植物数据迁移）高出 26.6% 与 51.46%。我们通过参加 CVPPP 叶片分割挑战赛对 UPGen 进行基准测试，并确立了新的 SOTA，在 A1-4 测试数据集上平均达 88%。本研究适用于合成数据在表型性状自动测量中的使用。我们的合成数据集与预训练模型可在 https://csiro-robotics.github.io/UPGen_Webpage/ 获取。
引用
@article{arxiv.2003.10757,
title = {Scalable learning for bridging the species gap in image-based plant phenotyping},
author = {Daniel Ward and Peyman Moghadam},
journal= {arXiv preprint arXiv:2003.10757},
year = {2020}
}
备注
Under review. Abstract modified to meed arXiv requirements. Dataset available at: https://csiro-robotics.github.io/UPGen_Webpage/