基于三重网络的植物表型图像的自监督特征提取


发布时间:

2020-12-25

来源:

本站

作者:

PhenoTrait

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.

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。