学术中心
基于深度、半监督和集成学习的小麦穗检测原始框架
发布时间:
2020-11-12
来源:
植物表型资讯
作者:
PhenoTrait
本文提出了一种应用于全球小麦穗检测数据集的新型目标检测方法。为了设计出一个新颖、稳健的小麦穗检测模型,我们设计了两种主要的目标检测体系结构:FasterRCNN和EfficientDet。另外,我们还进行了广泛的探索性数据分析,并根据实际背景采用了最佳的数据增强技术。例如,利用半监督学习来增强先前的有监督目标检测模型。此外,为了获得更高的性能,我们在集成上下了很大的功夫。最后,使用特定的后处理技术来优化小麦穗检测结果。
数据转换技术和伪标记在框架总体mAP上的性能
在训练模型的过程中,我们以一定的概率将每个变换应用于每个图像
该结果已提交,以解决由GWHD数据集发起的研究挑战,该数据集由来自七个国家的九个研究机构牵头。本文提出的方法在上述挑战中排名前6%。
整个框架针对不同设计步骤的性能
来源:
Fourati F, Souidene W, Attia R. An original framework for Wheat Head Detection using Deep, Semi-supervised and Ensemble Learning within Global Wheat Head Detection (GWHD) Dataset. arXiv:2009.11977。
推荐新闻
本期石时之约,我们将对话慧诺瑞德(北京)科技有限公司总经理、国际植物表型学会(IPPN)执委会委员/工业分会副主席韩志国,一起从表型数据的科学角度,去读懂农作物的喜怒哀乐和前世今生。
让我们“慧聚”在一起,为“慧科研、慧育种、慧种田”赋能。
育种,是在给定的环境条件下,选择各种表型指标(产量、品质、抗性)最优的基因型材料的过程(AI育种,从这里起步)。育种工作中大约70%的工作量来自表型观察测量和筛选,是最耗人力物力的过程。
生理表型测量的核心在于“早、快”,要在肉眼可见之前就能测量并预判出变化趋势,才是这个技术的核心价值。叶绿素荧光成像,恰好满足了这个要求。
视频展示