学术中心
全部分类
详情
监督学习通常用于图像目标计数，但是对于小的、密集的目标，所需图像注释会很麻烦。基于图像的植物表型计数-植物器官计数就属于此类别。由于不同实验条件，植物图像数据集领域会发生显著变化，这对植物图像目标计数提出了进一步挑战，例如，将一个带注释的室内植物图像数据集用于室外图像，或用于不同植物物种。
所提出的领域对抗性神经网络由两个网络组成，在Conv1和Conv8之间共享权重
本文提出了一种区域对抗式学习方法，用于目标密集的图像估计区域自适应，以达到目标计数的目的。该方法没有假设源数据集和目标数据集之间分布完全一致，这使得它能更广泛地适用于一般目标计数和植物器官计数。两个不同目标计数任务(小麦小穗、叶片)的评估表明，在不同类别的域转移(从室内到室外图像以及从物种到物种的适应)中，目标数据集的性能是一致的。
小麦小穗计数实验的示例图像
叶片计数实验的示例图像
来源：
Ayalew T, Ubbens J, Stavness I. Unsupervised Domain Adaptation For Plant Organ Counting. arXiv:2009.01081.
关键词：
扫二维码用手机看
上一个:
玉米籽粒败育的识别与分类
上一个:
玉米籽粒败育的识别与分类
专题报道
植物表型：温室传送高通量表型测量
[ 2020-09-23 ]
植物表型：田间小麦和水稻高通量表型测量
[ 2020-09-26 ]
植物表型：田间小麦和棉花高通量表型测量
[ 2020-09-25 ]
植物表型：高通量光合表型测量
[ 2020-09-23 ]
植物表型：田间高通量水稻抗逆表型测量
[ 2020-09-30 ]
植物表型：温室园艺作物高通量表型测量
[ 2020-09-25 ]
联系我们
慧诺瑞德（北京）科技有限公司
地址：北京市海淀区西三旗街道建材城东路10号院
京城尚德智造产业园E区112B
电话：010-62925490、82928854、82928864、82928874
传真：010-62925490-802
Email: info@phenotrait.com
邮编：100096
在线留言
关注我们
植物表型圈
植物表型资讯
慧诺瑞德（北京）科技有限公司版权所有 京ICP备15043840号 网站建设：中企动力 北二分 法律声明