利用无监督学习改进草层组分预测与牧草量估计
计算机视觉与模式识别
2022-04-21 v1
摘要
草层物种组成估计是一项繁琐的工作。必须实地采集牧草，手动分离为各组分，烘干并称重以估计物种组成。先前工作使用神经网络的深度学习方法，通过仅从一块草地的图片估计生物量信息，提出了比该过程更快且更具成本效益的替代方案。然而，深度学习方法难以泛化到遥远的地理位置，并需要进一步的數据收集以在不同气候下重新训练并达到最优性能。本工作中，我们通过减少训练神经网络时对真值（GT）图像的需求来增强深度学习方案。我们展示了如何将无监督对比学习用于草层组成预测问题，并与公开可用的 GrassClover 数据集（采集于丹麦）以及来自爱尔兰的较新数据集上的最先进方法进行比较，后者中我们处理了牧草量与高度估计。
引用
@article{arxiv.2204.09343,
title = {Utilizing unsupervised learning to improve sward content prediction and herbage mass estimation},
author = {Paul Albert and Mohamed Saadeldin and Badri Narayanan and Brian Mac Namee and Deirdre Hennessy and Aisling H. O'Connor and Noel E. O'Connor and Kevin McGuinness},
journal= {arXiv preprint arXiv:2204.09343},
year = {2022}
}
备注
3 pages. Accepted at the 29th EGF General Meeting 2022