基于生成对抗网络的以植物表型为条件的林业图像合成
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
基于图像的作物生长建模可通过展示随时间变化的空间作物发展情况,为精确农业做出重要贡献。我们提出了一个两阶段的框架,包括图像预测模型和生长估计模型,可以独立进行训练,并允许模拟多种生长影响因素依赖的时间变化的人工图像,从而进行作物表型分析。该框架具有潜力作为图像和过程结合的作物生长模型的接口。
Dec, 2023
利用合成孔径雷达和光学图像融合能够显著提高农作物分类的准确性,但是传统方法在处理少数类别农作物的训练数据方面仍存在限制。本研究中,我们探索了条件表生成对抗网络(CTGAN)作为一种基于深度学习网络的合成数据生成方法,以解决农作物分类中少数类别训练数据有限的挑战。研究结果表明,该方法可以生成高质量的合成数据,显著增加少数类别样本数量,从而提高农作物分类器的性能。
Feb, 2024
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
本研究探讨了在森林环境中基于视觉的分割是自主林业操作(如伐树和前进)的关键功能之一。在本研究中,我们提出使用模拟森林环境来自动生成具有像素级注释的 43k 真实合成图像,并将其用于训练深度学习算法来进行树木检测。我们报告了使用这些合成数据集训练的模型在真实数据集上的有效性,证明了模型的迁移学习能力。
Oct, 2022
本研究使用生成式对抗网络(GAN)创建临床图像合成,提出了适应于特定皮肤病状的 DermGAN,并使用合成图像作为数据增强技术,提高了皮肤病分类器的性能。
Nov, 2019
本研究提出了一种可训练的、基于几何感知的图像生成方法,利用几何和分割等场景信息生成逼真自然、符合期望的场景结构的图像,并通过 GIS 框架插入驾驶场景中的车辆、生成来自 Linemod 数据集的物体新视角,展示其能够广泛适用于新颖的场景、物体形状和分割,且可用于合成大量训练数据以训练实例分割模型。
Sep, 2018