使用生成对抗网络合成拟南芥仿真植物

ICCVSep, 2017

使用生成对抗网络合成拟南芥仿真植物

ARIGAN: Synthetic Arabidopsis Plants using Generative Adversarial Network

Mario Valerio Giuffrida, Hanno Scharr, Sotirios A Tsaftaris

TL;DR通过使用生成神经网络，提出了一种基于图像的带花植物表型识别的解决方案，通过创建人工图像生成训练用的有标注的植物图像集合 Ax。

Abstract

In recent years, there has been an increasing interest in image-based plant phenotyping, applying state-of-the-art machine learning approaches to tackle challenging problems, such as leaf segmentation (a multi-instance problem) and counting. Most of these algorithms need labelled data

image-based plant phenotyping machine learning dataset augmentation generative neural networks arabidopsis rosette image generator

发现论文，激发创造

使用合成数据进行深层次叶子分割

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

农业图像增强的生成式对抗网络：一篇系统综述

该论文概述了生成对抗网络 (GAN) 在农业图像分析中的应用，并对其在植物健康、水产养殖、动物饲养、果实检测等方面进行了系统回顾，讨论了 GAN 的挑战和机遇。

Apr, 2022

跨物种基于图像的植物表型识别中可扩展的学习方法

本研究提出使用合成数据进行植物的实例分割，介绍了一种用于弥合种类差距的通用植物生成器 UPGen，研究了多种使用合成数据训练模型的方法，取得了比使用公开数据传递学习普遍惯例更好的效果，并在 CVPPP Leaf Segmentation Challenge 竞赛中取得新的最高水平。此研究适用于利用合成数据自动化测量表型特征。

Mar, 2020

远程感知图像中的数据增强和适应的条件生成对抗网络

使用 GAN 将给定的标记遥感图像拓展成更大的数据集并评测其对于物体检测任务的性能提升。

Aug, 2019

基于数据增强的叶片分割和计数技术在玫瑰植物中的应用

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

利用多个数据集进行深度叶片计数

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

PlantPlotGAN：一种基于物理信息的生成对抗网络用于植物疾病预测

通过使用无人机采集的多光谱图像，我们提出了一个具有物理特性的生成模型 PlantPlotGAN，能够创建具有逼真植被指数的合成多光谱区块图像，用于植物病害检测，并且通过与真实图像训练组合，能够提高早期病害检测的准确性。

Oct, 2023

基于生成对抗网络的以植物表型为条件的林业图像合成

使用遥感数据预测植物现象和表型的主要研究领域，通过生成满足特定表型属性（如冠层绿度）的合成森林图像，进而发展一种基于生成对抗网络（GAN）的方法来合成与植被绿度相关的森林图像，同时预测红度属性，并评估其准确性和完整性。

Jul, 2023

生成对抗文本到图像的合成

利用递归神经网络和深度卷积生成对抗网络构建了新的深度架构和 GAN 公式，将字符转换为像素，有效地将文本和图像建模相结合，从而实现了从详细文本描述中生成花和鸟的逼真图像的能力。

May, 2016

利用模拟图像改进深度学习预测及其反向操作

通过使用 L 系统生成的合成图像，可以在培训神经网络进行表型鉴定任务时，通过增加或完全替代真实图像，从视觉上更真实地模拟植物，从而在更好地理解合成图像生成的情况下使用不同数量的真实图像和合成图像进行系统化分析。此外，利用神经网络的预测结果可以用于校准 L 系统本身，从而形成一个反馈循环。

Apr, 2024