植物器官计数的无监督域适应


发布时间:

2020-10-12

来源:

植物表型资讯

作者:

PhenoTrait

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.

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。