通过深度学习方法，提出将叶数计数作为回归问题进行直接预测，避免叶子实例分割的耗时问题，并证明结合多个数据集进行训练可以获得更好的结果。在 CVPPP 2017 叶数计数挑战数据集上，相较于之前的获胜者，该方法能够提高至少 50% 的测试结果，并且在不知道数据实验来源的情况下取得了良好的性能。

Sep, 2017

本文介绍了一种用于在农业自动化领域中实现自动视觉检查的叶片计数和分割分析方法，该方法使用数据增强来训练深度神经网络，取得了在标准基准测试中最先进的结果，即由植物表型学的计算机视觉难题托管的叶片分割竞赛。

Mar, 2019

本研究使用深度学习技术中的卷积神经网络与传统算法来进行植物幼苗分类，以达到增加农作物产量、提高生产效率与自动化种植的目的。

Nov, 2018

本文介绍了一种基于深度学习的新型框架 WheatNet，能够快速高效地计算麦田中小麦穗的数量和位置，并在植物育种决策过程中提供实时数据收集的帮助，解决手动记录植物观测数据带来的劳动密集性问题。

Mar, 2021

文章介绍了一种基于自动图像分析的客观框架，使用卷积神经网络检测图像中的浆果并进行计数，可以在葡萄园不同种植系统中检测到绿色浆果，VSP 的检测准确率为 94.0％，SMPH 为 85.6％。

Apr, 2020

本研究提出了一种基于机器学习和深度学习的叶子实例分割方法，通过使用产生的合成图像进行数据增强，成功地将深度学习网络训练到了 90% 的叶子分割得分，在叶子分割领域取得了领先的成果。

Jul, 2018

本文提出了一种全新的基于卷积网络的无监督技术，用于密集物体（如植物器官）的计数，该技术采用后处理优化步骤，可在不需要数据集调整或修改的情况下，对高精度计数执行器官任务的有效性得到了验证。

Jul, 2020

通过对植物病理学方面的当前深度学习方法进行调研和现有机器学习方法的研究，我们提出了一种名为通用堆叠多输出 CNN 的新模型（GSMo-CNN），并在三个基准数据集上进行了大量实验。实验结果表明，InceptionV3 是作为骨干 CNN 的较好选择，其性能优于 AlexNet、VGG16、ResNet101、EfficientNet、MobileNet 和我们开发的自定义 CNN，并证实单一模型的使用可以与或优于使用两个模型。最终，我们展示了提出的 GSMo-CNN 在三个基准数据集上达到了最先进的性能。

Oct, 2023

提出了一种新颖的深度学习框架，用于从高密度人群的静态图像中估计人群密度，使用深度和浅层完全卷积网络的组合来预测给定人群图像的密度地图，通过多尺度数据增强来引导 CNN 学习尺度不变表示，并且在 UCF_CC_50 数据集上表现出比现有技术更好的性能。

Aug, 2016

本文提出一种基于学习反卷积网络的新颖语义分割算法，其中反卷积网络由反卷积层和上采样层组成，能够在像素级别上识别图像中的类别标签和预测分割掩模，通过将结果合并得到最终的分割图像，并且可以自然地处理多尺度下的物体和识别细节结构，在 PASCAL VOC 2012 数据集上进行实验，通过与完全卷积网络的集合学习，取得了最好的 72.5% 精度。

May, 2015