小麦头分割的半自监督域适应方法
计算机视觉与模式识别
2024-05-14 v1 人工智能
摘要
精密农业涉及应用先进技术以提高农业生产力、效率和盈利能力，同时最小化浪费和环境影响。深度学习方法使许多视觉任务能够实现自动化决策。然而，在农业领域，生长阶段和环境条件（如天气和照明）的可变性为开发能够跨不同条件普适化的深度学习技术带来了重大挑战。创建能捕捉这些可变性的大规模标注数据集的资源密集型问题进一步阻碍了这些方法的广泛采用。为解决这些问题，我们引入了一种基于深度卷积神经网络的半自监督域适应技术，采用概率扩散过程，仅需最小限度的人工数据标注。在仅使用三幅手动标注图像和来自小麦田的若干视频片段的情况下，我们生成了大规模计算标注的图像-掩码对以及大量未标注图像的图像帧数据集。我们开发了两种分支的卷积编码器-解码器模型架构，利用合成图像-掩码对和未标注图像，实现对真实图像的有效适应。该模型在内部测试数据集上获得了80.7%的Dice得分，在外部测试集上获得了64.8%的Dice得分，外部测试集由来自五个国家的图像组成，覆盖18个领域，表明其有潜力发展出可推广的解决方案，以鼓励在农业领域广泛采用先进技术。
引用
@article{arxiv.2405.07157,
title = {Semi-Self-Supervised Domain Adaptation: Developing Deep Learning Models with Limited Annotated Data for Wheat Head Segmentation},
author = {Alireza Ghanbari and Gholamhassan Shirdel and Farhad Maleki},
journal= {arXiv preprint arXiv:2405.07157},
year = {2024}
}
备注
12