ECCVJul, 2020

AutoCount: 野外图像器官无监督分割与计数

PDF
TL;DR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。
plant phenotypingorgan countingunsupervised techniqueconvolutional networkpost-hoc optimization
发现论文，激发创造
  • 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

  • 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

  • 数和分割高梁头

    本文提出了一种高通量的自动计数和分割高粱中穗（头）的方法，并使用一种新颖的深度卷积神经网络架构来处理图像密度图，以进行计数。最终得到的实例分割模型也产生了可观的结果。

    May, 2019

  • TasselNet: 通过局部计数回归网络在野外计数玉米花穗

    本研究首次使用计算机视觉技术在自然环境下解决玉米花穗计数问题。

    Jul, 2017

  • 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

  • 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

  • 无人机图像中高粱穗部的半监督物体检测

    该研究使用半监督学习方法，在只使用原始训练数据的 10％的情况下，实现了类似监督方法的高精度识别高粱穗的效果。

    May, 2023

  • 基于深度学习的植物器官数字化标注检测

    利用深度学习和 Faster R-CNN 检测数字化标本上的植物器官，有效地提取重要的生物信息。

    Jul, 2020

  • Eff-3DPSeg: 利用注释高效的点云实现 3D 器官级植物枝杈分割

    提出了一种基于弱监督学习的 3D 植物幼芽分割框架 Eff-3DPSeg，该框架使用深度学习和点云技术，可以在有限标注点的情况下官能植物器官实现高质量的分段，为植物育种提供了一种有效的方法。

    Dec, 2022

  • 使用卷积神经网络进行语义分割计数葡萄串图像中的浆果

    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