通过可变形 CNN 回归从多传感器同时预测多种植物性状
计算机视觉与模式识别
2021-12-07 v1
摘要
性状测量对于植物育种和农业生产流程至关重要。通常，一系列植物性状通过繁重的手动测量获得，然后用于训练和/或验证更高通量的性状估计技术。在此，我们引入一个相对简单的卷积神经网络（CNN）模型，其接受多传感器输入并预测多个连续性状输出——即多输入多输出 CNN（MIMO-CNN）。进一步，我们将可变形卷积层引入该网络架构（MIMO-DCNN），使模型能够自适应调整其感受野，对数据中的复杂可变几何变换建模，并微调连续性状输出。我们考察了 MIMO-CNN 和 MIMO-DCNN 模型在来自 2021 年 Autonomous Greenhouse Challenge 的多输入（即 RGB 和深度图像）、多性状输出生菜数据集上的表现。进行了消融实验以考察使用单输入 versus 多输入、以及单输出 versus 多输出的影响。MIMO-DCNN 模型取得了 0.068 的标准化均方误差（NMSE）——相较 2021 年排行榜最高分 0.081 有显著提升。我们提供了开源代码。
引用
@article{arxiv.2112.03205,
title = {Simultaneously Predicting Multiple Plant Traits from Multiple Sensors via Deformable CNN Regression},
author = {Pranav Raja and Alex Olenskyj and Hamid Kamangir and Mason Earles},
journal= {arXiv preprint arXiv:2112.03205},
year = {2021}
}