学术中心
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.
扫二维码用手机看
视频展示
专题报道
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