学术中心
提高叶片分割的准确性
- 分类：植物表型资讯
- 作者：PhenoTrait
- 来源：本站
- 发布时间：2021-09-08 06:10
- 访问量：
【概要描述】本研究的主要贡献是通过在无锚实例分割范式下将掩码组装模块与掩码细化模块相结合来生成最终改进的掩码。
提高叶片分割的准确性
【概要描述】本研究的主要贡献是通过在无锚实例分割范式下将掩码组装模块与掩码细化模块相结合来生成最终改进的掩码。
- 分类：植物表型资讯
- 作者：PhenoTrait
- 来源：本站
- 发布时间：2021-09-08 06:10
- 访问量：
叶片的性状与植物的许多生物和物理过程密切相关，如光合作用、呼吸作用、蒸腾作用以及碳和养分循环等。然而，从计算机视觉的角度来看，单个叶片的分割和完整性状信息的提取仍然非常困难。在本研究中，作者提出了 LeafMask 神经网络，这是一种新的端到端模型，用于描绘每个叶子区域并计算叶子的数量。具有两个主要组成部分：1) 掩模组装模块合并每个预测的位置敏感基非最大抑制(NMS)后的框和相应的系数以生成原始掩码; 2)掩码细化模块通过点选择策略和预测器从掩码组装模块细化叶子边界。作者还为双重注意力引导掩模(DAG-Mask)分支设计了一种新颖灵活的多尺度注意力模块，以有效增强信息表达并产生更准确的基础。
LeafMask 神经网络的主要结构如下：
模型的主干和连接分别采用 ResNet101 和 FPN。 使用 FPN 功能，最先进的 FCOS 检测器可以预测边界框，包括分类、框回归和中心度。 DAG-Mask 分支由一个新提出的多尺度注意力模块和 DeepLab V3+ 解码器组成，用于在来自共享 FCOS 头部的每个检测到的叶子内生成原始分割掩码。 Mask组装模块将系数预测器和DAG-Mask分支的输出线性组合起来。 通过基于点选择策略选择一系列不确定点，掩模细化模块从粗粒度和细粒度特征中重新计算这些点，以生成最终的分割图像。
本研究的主要贡献是通过在无锚实例分割范式下将掩码组装模块与掩码细化模块相结合来生成最终改进的掩码。通过将多尺度注意力模块插入 DAG-Mask 分支，将组装模块与系数预测器相结合，并添加掩码细化模块，模型达到了 90.09% 的 BestDice 分数，并在 CVPPA LSC 测试集中优于其他最先进的方法。
图2 CVPPA LSC结果
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
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