Глобальный конкурс по детекции колосьев пшеницы: выводы о глубоком обучении и разнообразии данных
Краудсорсинг, в частности через платформы вроде Kaggle, стал ключевым инструментом в научных исследованиях, требующих анализа больших данных, таких как фенотипирование растений.
Однако надежность и способность к обобщению методов глубокого обучения для фенотипирования (например, детекции колосьев пшеницы) в реальных полевых условиях остаются под вопросом из-за нехватки обширных и разнообразных наборов данных.
Цель и методология
В рамках Глобального конкурса по пшенице (Global Wheat Challenge, GWC) 2020 и 2021 годов исследователи искали устойчивые решения для детекции колосьев на полевых изображениях из разных регионов, уделяя особое внимание обобщающей способности моделей.
Ключевые результаты
Архитектуры моделей: Лучшие три решения в обоих конкурсах использовали архитектуры EfficientDet и варианты Yolo.
Точность и обобщение: Эти модели продемонстрировали высокую точность и способность работать на новых, "невидимых" наборах данных.
Проблемы и различия:
- Основные трудности — детекция мелких колосьев и управление ложноположительными срабатываниями (false positives, FPs).
- Решения GWC_2021 лучше справлялись со снижением количества ложноотрицательных результатов (false negatives, FNs).
- Решения GWC_2020 эффективнее минимизировали частоту ложноположительных срабатываний (FPRs).
- Производительность варьировалась в зависимости от условий съемки (низкое разрешение, наклон колосьев, яркое освещение).
Подсчет колосьев и сравнение с полевыми данными
- Метрика rRMSE: Оценка решений для задачи подсчета колосьев с использованием относительной среднеквадратической ошибки (relative Root Mean Square Error, rRMSE) показала вариабельность по наборам данных.
- Робастность GWC_2021: Решения 2021 года показали самые низкие значения rRMSE, подтвердив свою устойчивость, хотя и столкнулись со сложностями в отдельных условиях.
- Сравнение с полевыми замерами: Данные подсчета колосьев от лучшего решения GWC_2021 хорошо согласовывались с полевыми измерениями плотности. Расхождения возрастали с увеличением плотности из-за пространственного sampling и неопределенностей модели. В некоторых случаях модель превзошла ручные измерения.
Выводы и перспективы
Конкурсы GWC 2020 и 2021 стали значительным шагом в детекции колосьев пшеницы с использованием RGB-изображений высокого разрешения. Они:
- Выявили сложности создания обобщающихся моделей.
- Привлекли внимание к этой важной области фенотипирования растений.
- Создали разнообразный набор данных для изучения domain shift.
Для дальнейшего повышения точности и надежности в разнообразных полевых условиях требуются улучшения в методах съемки, аугментации данных и архитектурах моделей.