学术中心
图像分析结合了高通量筛选和多参数特征分析，可以捕获扰动对生物系统的影响。该技术在植物表型研究领域引起了越来越多的关注，有望加速新型除草剂的发现。然而，从未标记植物图像中提取有意义的特征仍然具有很大挑战。
代表性图片和本文提出的体系结构
来自不同模型架构的时程嵌入的k均值聚类的定量评估
本文提出了一种新型数据驱动方法，利用时间作为图像相似性度量，以自监督的方式从植物时间序列图像中提取特征。首先应用ImageNet预训练的体系结构作为基本特征抽取器。然后，利用一个三重网络扩展该体系结构，通过排列连续和非连续时间点之间的相对相似性来细化和降低提取特征的维数。结果显示，在不使用任何标签的情况下，生成了紧凑、有组织的植物表型特征，并证明了它们在聚类、图像检索和分类任务中的卓越适用性。除此之外，还可以使用其他替代的表型相似性度量来应用，从而为表型圈提供通用方法。
对基于AlexNet的体系结构的时程嵌入的k均值聚类的定性评估
从时程嵌入中检索图像
来源：
Zapata P A M, Roth S, Schmutzler D, et al. Self-supervised feature extraction from image time series in plant phenotyping using triplet networks. Bioinformatics. https://doi.org/10.1093/bioinformatics/btaa905.
扫二维码用手机看
推荐新闻
发布时间 : 2022-11-13 07:26:55
发布时间 : 2022-05-20 11:45:57
发布时间 : 2022-05-13 10:56:43
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中路12号院8号楼2门
电话：010-62925490、82928854、82928864、82928874、18600875228
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