促进监督分割植物病害的新型数据增强策略

本文旨在利用带注释图像的小数据集合成图像，然后通过这些合成图像来帮助网络的训练过程，植物表型资讯介绍如下：

在监督学习中，图像标注非常昂贵且费时。为了降低成本，本文旨在利用带注释图像的小数据集合成图像，然后通过这些合成图像来帮助网络的训练过程。

该研究工作的流程示例

用于数据增强策略的比较测试的植物疾病和观察量表的插图

本文以农业资料为例，利用卷积神经网络对苹果疮痂病冠层图像进行复杂分割。研究人员为此设计了两种生成数据的新方法：一种基于植物冠层模拟，另一种基于生成性对抗网络（GAN）。结果显示，与在ImageNet上初始化权值进行分割相比，模拟数据可以显著提高分割性能，F1分数（考虑到精确度和召回率）可提高17%。通过这种方法，研究人员能够在小数据集增强情况下获得比大数据集情况下更高的分割分数。此外，该研究还为植物学成像界留下了已注释的结痂数据集。综上所述，该方法对冠层尺度的植物病害具有良好的适用性。

基于模型的模拟器算法

训练组大小对分段得分的影响

来源：

Douarre C, Crispim-Junior C F., Gelibert A, et al. Novel data augmentation strategies to boost supervised segmentation of plant disease. Computers and Electronics in Agriculture. https://doi.org/10.1016/j.compag.2019.104967.