主動學習對基于圖像的植物表型

  深度學習模型已經(jīng)成功地應(yīng)用于各種基于圖像的植物表型應(yīng)用，包括疾病檢測和分類,。然而,，有監(jiān)督的深度學習模型的成功部署需要大量的標記數(shù)據(jù)，

由于固有的復雜性,，這在植物科學(和大多數(shù)生物學)領(lǐng)域是一個重大挑戰(zhàn),。具體來說，數(shù)據(jù)注釋是昂貴的,、費力的,、耗時的，并且需要用于表型任務(wù)的領(lǐng)域?qū)I(yè)知識,，

尤其是對于疾病,。為了克服這一挑戰(zhàn)，已經(jīng)提出了主動學習算法來減少深度學習模型所需的標記量,，以實現(xiàn)良好的預測性能,。

                                       在大豆葉子上收集的九類數(shù)據(jù)（八類應(yīng)激數(shù)據(jù)和一類健康數(shù)據(jù)），其中包括第一個數(shù)據(jù)集

主動學習方法通過使用采集函數(shù)自適應(yīng)地建議樣本進行注釋來工作,，以在固定標記預算下實現(xiàn)最大（分類）性能,。

報告了四種不同的主動學習方法的性能，(1)深度貝葉斯主動學習(DBAL),，(2)熵,，(3)最小置信度，(4)核心集,，

基于傳統(tǒng)的隨機采樣標注的兩種不同的基于圖像的分類數(shù)據(jù)集,。

                                                           第二個數(shù)據(jù)集的九個類別包括八個雜草種類和一個無雜草類別

第一個圖像數(shù)據(jù)集由屬于八種不同大豆脅迫和健康類別的大豆 [Glycine max L. (Merr.)] 葉子組成，

第二個圖像數(shù)據(jù)集由來自田間的九種不同雜草組成,。對于固定的標記預算,，對于兩個數(shù)據(jù)集，

使用基于主動學習的獲取策略的深度學習模型的分類性能優(yōu)于基于隨機采樣的獲取。

數(shù)據(jù)注釋的主動學習策略的集成可以幫助減輕植物科學應(yīng)用中的標簽挑戰(zhàn),，特別是在專用于注釋的資源有限的情況下,。