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

Mar, 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

Data Augmentation for Leaf Segmentation and Counting Tasks in Rosette Plants

Dmitry Kuznichov, Alon Zvirin, Yaron Honen, Ron Kimmel

TL;DR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。

Abstract

deep learning techniques involving image processing and data analysis are constantly evolving. Many domains adapt these techniques for object segmentation, instantiation and classification. Recently, agricultural

deep learning image processing agricultural automation data augmentation leaf segmentation

发现论文，激发创造

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

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

使用深度卷积和反卷积网络进行叶片计数

本篇研究提出了一种基于深度学习的数据驱动方法，用于计算植物成像中的叶片数，并在比赛数据集中取得了令人满意的结果。

Aug, 2017

无监督预训练用于 3D 叶片实例分割

通过自主训练的方法，该论文提出了一个新的用于植物表型分析的网络骨干初始化方法，并引入了一种针对叶片实例分割的新型自动后处理方法，实验证明我们的方法在所有调研场景中均提升了性能。

Jan, 2024

AutoCount: 野外图像器官无监督分割与计数

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

半监督和任务驱动的数据增强

本文技术为使用生成模型并结合任务驱动数据增强方法，显式地建模变形场和强化蒙版，用于为监督型深度学习模型训练新的 MRI 心脏分割训练数据，实验结果表明该方法在小样本数据的分割任务中表现优异。

Feb, 2019

无监督领域自适应在植物器官计数中的应用

本研究提出一种基于领域敌对学习的方法，在考虑植物器官计数时，不受室内或室外、不同植物物种等领域偏移的影响，实现密集小物体计数的自适应。在小麦穗和叶子的计数任务中，实验结果表明该方法具有较强的鲁棒性。

Sep, 2020

使用生成对抗网络合成拟南芥仿真植物

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。

Sep, 2017

针对植物应激分类的类别特定数据增强

基于遗传算法提出的自动化类别特定数据增强方法对大豆叶片应激分类任务表现出良好的性能，是一种在混淆数据集环境下植物应激分类领域中数据增强策略的重要进展。

Jun, 2024

评估咖啡叶病分类的数据增强技术

本研究使用基于深度学习的方法，结合 pix2pix 模型用于分割和 CycleGAN 用于增强，通过 RoCoLe 数据集进行咖啡叶病害的图像分类，展示了变压器模型、在线增强和 CycleGAN 增强对叶病害分类的有效性，合成数据在增强模型性能上与真实数据相辅相成，这些发现有助于发展强大的植物病害检测和分类技术。

Jan, 2024