植物与病害检测的类增量学习


发布时间:

2023-05-03

来源:

植物表型资讯

作者:

PhenoTrait

本文研究了农业应用中的类增量目标检测问题,其中模型需要在不忘记先前学习的植物物种和疾病的情况下增量学习新的植物物种和疾病(图1)。调整了两个公共数据集(图2和图3),以随着时间的推移包括新的类别,模拟更现实和动态的场景。然后,比较了三种利用不同形式的知识蒸馏来减轻灾难性遗忘的类增量学习方法。实验表明,所有三种方法都遭受灾难性遗忘,但最近的动态Y-KD方法,它额外使用动态架构,生长新的分支来学习新的任务,在大多数情况下,无论是在新类还是旧类上,都优于ILOD和Faster-ILOD。
 

这些结果突出了农业应用中持续目标检测的挑战和机遇。特别是,植物图像中典型的大类内和小类间变异性加剧了在不干扰先前知识的情况下学习新类别的困难。公开发布代码以鼓励未来的工作:https://github.com/DynYKD/Continual-Plant-Detection

 

 

 

图1 农业环境下持续学习的激励例子。首先(T1),训练一个检测模型来识别特定类型的植物,并在现场部署以解决给定的任务。之后(T2),两种杂草出现在田地里,用户希望模型也能够检测到它们。因此,该模型只增加了这些杂草的训练样本,并再次部署以检测所有三种类型的植物。这可以继续进行更多的迭代。

 

图片图2 草莓病害检测数据集。七类疾病的图像和注释示例

 

图3 开放植物表型数据库。本文展示了两个类及其注释的三个例子,以突出农业图像中常见的类内大变异性和类间小变异性。

 
 
来 源

Fortin, M. (2023). Class-Incremental Learning of Plant and Disease Detection: Growing Branches with Knowledge Distillation.

 

编辑

王春颖
 

扩展阅读

推荐新闻

石时之约|韩志国:透过表型数据,看见植物的喜怒哀乐!

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。

慧科研、慧育种、慧种田——慧聚改变的力量

让我们“慧聚”在一起,为“慧科研、慧育种、慧种田”赋能。

高通量植物表型平台建设注意事项

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。

作物生理表型测量基础原理

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。