点击蓝色字免费订阅，每天收到这样的好资讯
本文研究了利用合成数据进行叶片实例分割的方法，植物表型资讯介绍如下。
传统应用深度学习模式：收集、注释和训练数据，不适用于基于图像的植物表型分析，因为现存的植物物种将近40万。数据成本包括增加物理样本并对其进行成像和标记。模型性能受各植物物种间差异影响，不能泛化。
UPGen概述
本文研究了利用合成数据进行叶片实例分割的方法。当几乎没有注释的实际数据可用时，本文使用Mask-RCNN研究多种合成数据训练方案。另外，本文还提出一个通用的可缩小种间差距的植物生成器——UPGen。UPGen利用域随机化产生分布广泛的数据样本，并对随机生物变异进行建模。该方法在两种不可见植物物种上分别比标准方法（如从公开的植物数据中进行转移学习）的效果好26.6%和51.46%。通过参加CVPPP叶片分割挑战赛来对UPGen进行基准测试，并在A1-4测试数据集中设定了一个最新水平，平均值为88%。综上所述，本研究适用于利用合成数据进行表型性状的自动测定。
来自合成数据集的示例图像和相应的地面真叶实例分割蒙版
在合成数据和带有上下文背景纹理的合成数据上训练的模型的叶分割结果
来源：
WardD,MoghadamP.Scalablelearningforbridgingthespeciesgapinimage-basedplantphenotyping.arXiv:..
叶绿素荧光成像应用案例
扩展阅读：
直播回放
漫谈叶绿素荧光：从原理到应用
国际植物表型网络IPPN介绍和入会指南
植物表型资讯两周年目录汇总
植物表型资讯年1-12月目录汇总
植物表型资讯年1-3月目录汇总
预览时标签不可点
