现代农业中的基于UAV的图像检索使得能够收集大量的空间引用的裁剪图像数据。然而，在大规模的实验中，UAV图像患有复杂的冠层架构中的多份作物。特别是对于观察时间效应，这使得对几种图像的识别使得各种植物的识别和巨大的提取。在这项工作中，我们向基于可理解的计算机视觉方法缩写为“编目”的无人机缩写为“编目”的自动化时间和空间识别和个性化的实践工作流程。我们评估两个现实世界数据集的工作流程。记录一个数据集以观察Cercospora叶斑 - 在整个生长周期中的糖甜菜中的真菌疾病。另一个涉及花椰菜植物的收获预测。植物目录用于提取多个时间点看到的单植物图像。这会收集大规模的时空图像数据集，又可以应用于培训包括各种数据层的进一步机器学习模型。该方法显着改善了农业中无人机数据的分析和解释。通过验证一些参考数据，我们的方法显示了一种类似于更复杂的基于深度学习的识别技术的准确性。我们的工作流能够自动化工厂编目和训练图像提取，特别是对于大型数据集。
translated by 谷歌翻译
尽管深度学习的卓越性能（DL）在许多分割任务上，但基于DL的方法令人惊奇地过于对高偏振标签概率的预测。对于许多具有固有标签歧义的许多应用通常是不可取的，即使在人类注释中也是如此。通过利用每张图片的多个注释和分割不确定性来解决这一挑战。但是，多次图像的批次通常不可用，在真实的应用程序中，不确定性在分段结果对用户的情况下不提供完全控制。在本文中，我们提出了新的方法来改善分割概率估计，而不会在真实情景中牺牲性能，我们只有每张图片只有一个暧昧的注释。我们将估计的网络分割概率图边缘化，这是鼓励/过度的网络上/过度段，而没有惩罚平衡分割。此外，我们提出了一个统一的HyperNetwork合奏方法，以减轻培训多个网络的计算负担。我们的方法成功地估计了反映了底层结构的分割概率图，并为具有挑战性的3D医学图像分割进行了直观控制。虽然我们所提出的方法的主要重点不是提高二元分割性能，但我们的方法略微超越了最先进的。该代码可用于\ url {https://github.com/sh4174/hypernetensemble}。
translated by 谷歌翻译