基于 MIL-CAM 的弱监督微根窗图像分割
计算机视觉与模式识别
2020-07-31 v1
摘要
我们提出一种多示例学习类激活图（MIL-CAM）方法，用于在给定弱图像级标签的情况下进行像素级微根窗图像分割。微根窗用于原位拍摄植物根系图像。微根窗图像通常由土壤构成，其中包含少量直径较小的细长根对象。这些根对象对现有语义图像分割方法而言难以区分。除了从弱标签中学习外，我们提出的 MIL-CAM 方法在分析过程中对根与土壤像素进行重加权，以因土壤与根像素间的严重不平衡而提升性能。所提方法在微根窗图像中根对象定位方面优于其他注意力图与多示例学习方法。
引用
@article{arxiv.2007.15243,
title = {Weakly Supervised Minirhizotron Image Segmentation with MIL-CAM},
author = {Guohao Yu and Alina Zare and Weihuang Xu and Roser Matamala and Joel Reyes-Cabrera and Felix B. Fritschi and Thomas E. Juenger},
journal= {arXiv preprint arXiv:2007.15243},
year = {2020}
}