基于生成对抗网络以植物表型为条件合成林业图像
计算机视觉与模式识别
2025-02-18 v3
摘要
利用遥感数据进行植物物候与表型预测作为提升农业生产力的一种有前景的方法，正日益受到植物科学界的关注。本工作聚焦于生成满足特定表型属性（即冠层绿度）的合成林业图像。我们利用生成对抗网络（GAN）来合成生物学上合理且表型稳定的林业图像，其条件为特定感兴趣区域内（描述混交林中某一特定植被类型）植被的绿度（连续属性）。训练数据基于国家生态观测网络（NEON）提供的自动化数码相机影像，并由 PhenoCam 网络处理。我们的方法有助于渲染对应于特定绿度值的森林站点外观。随后，这些合成图像被用于预测另一表型属性，即植物红度。合成图像的质量使用结构相似性（SSIM）指数和 Fréchet Inception Distance（FID）进行评估。此外，使用均方根百分比误差（RMSPE）将合成图像的绿度与红度指数同原始图像进行比较，以评估其准确性与完整性。我们通过有效地将该 GAN 模型迁移以生成其他森林站点和植被类型的合成图像，确立了其所提出的 GAN 模型的泛化性与可扩展性。从更广阔的视角看，该方法可被用于在不同环境参数背景下基于不同表型属性可视化林业。
引用
@article{arxiv.2307.03789,
title = {Synthesizing Forestry Images Conditioned on Plant Phenotype Using a Generative Adversarial Network},
author = {Debasmita Pal and Arun Ross},
journal= {arXiv preprint arXiv:2307.03789},
year = {2025}
}
备注
Accepted to Pattern Recognition journal