Dec, 2023

基于多条件生成对抗网络的时间变化生成图像的数据驱动作物生长模拟

PDF
TL;DR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。
image-based crop growth modelingprecision agriculturecrop image generationgrowth estimation modelplant phenotyping
发现论文，激发创造
  • 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

  • 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

  • 跨领域早期作物映射：使用 CropGAN 和 CNN 分类器

    通过丰富的卫星图像和机器学习技术的驱动，该论文提出了一种名为 CropGAN 的作物生成对抗网络，以解决农作物分布图生成中源领域与目标领域之间的跨域问题，避免了目标领域标签的需求，通过学习一个映射函数将目标领域的光谱特征转换到源领域，从而实现了在目标领域产生高精度早期作物地图的目标。该方法在多个地区和年份的广泛实验中证明了其优势和有效性，与直接传输策略相比，应用 CropGAN 后的 F1 得分提高了 13.13% 至 50.98%。

    Jan, 2024

  • 通过条件生成式对抗网络进行时间序列模拟

    本文提出了使用条件生成对抗网络（CGAN）学习和模拟时间序列数据的方法，探讨 GAN 和神经网络与现有统计方法之间的联系，最终展示了 CGAN 在市场风险分析中的应用，包括历史数据的学习、风险预测分析以及价值风险和预期缺失计算等方面，并通过回测结果证明其优于历史模拟法。

    Apr, 2019

  • 用户指定内容的条件图像生成与操作

    提出了一种单一的文本到图像生成和操纵的流程，其中在我们的流程的第一部分，介绍了 TextStyleGAN 这个在文本上进行训练的模型；第二部分使用预训练的 TextStyleGAN 权重进行语义面部图像操纵，并通过在潜空间中找到语义方向来完成。我们展示了该方法可以用于广泛的面部图像属性操纵，并介绍了 CelebTD-HQ 数据集作为 CelebA-HQ 的扩展，其中包含了人脸及相应的文本描述。

    May, 2020

  • 用于小麦穗分割样本合成的改进 CycleGAN

    使用深度学习模型结合生成对抗网络填补模拟数据与真实数据之间的差距，开发了逼真的、用于小麦苞片分割的合成数据集，并利用该数据集训练深度学习模型，取得了高达 83.4% 的 Dice 分数在内部数据集以及 79.6% 和 83.6% 的 Dice 分数在两个外部全局小麦苞头检测数据集上。该方法不仅适用于小麦苞片分割，还可以推广到其他作物类型或者具有重复、密集模式的图像，例如细胞成像。

    Feb, 2024

  • 利用深度学习生成合成 SAR - 光学数据提高农作物分类的准确性

    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

  • 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

  • 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

  • 基于序列信息化环境条件的生成植物生长模拟

    植物生长模拟的序列感知框架能够通过概率建模来捕捉植物的时间依赖性，生成逼真的植物场景。

    May, 2024