Skip to content

Latest commit

 

History

History
66 lines (28 loc) · 4.51 KB

paper.md

File metadata and controls

66 lines (28 loc) · 4.51 KB
Raw

反射光除去(reflection removal)

  • Single Image Reflection Removal Through Cascaded Refinement

    Chao Li, Yixiao Yang, Kun He, Stephen Lin, John E. Hopcroft; Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2020, pp. 3565-3574. (github)

    IBCLN_fig1

    一枚の画像を頼りに，反射光を含む画像から反射光を取り除くSingle Image Reflection Removalというタスクを扱った論文．

    画像が透過光と反射光の線形結合で構成されているという仮定のもと，それら2つに分解しお互いを相補的に学習していく．この際，一度に透過光画像と反射光画像を推定するのではなく，あるネットワークで不完全な透過光画像と反射光画像からスタートし，繰り返し処理により後続のネットワークで少しずつ改良していく．これは，透過光画像と反射光画像のうち一方が良い推定を行えば，もう一方も良い推定を行いやすいというタスクの特性に適している．ただし，ネットワークが深くなると勾配消失問題が発生するため，中間層にLSTMを組み込みこれを解決している．




根のセグメンテーション

  • Segmentation of Roots in Soil with U-Net

    Smith, A.G., Petersen, J., Selvan, R. et al. Segmentation of roots in soil with U-Net. Plant Methods 16, 13 (2020). (github)

    srsu_fig7

    根の分析方法の一つである線分交差法を行うために，セグメンテーションを扱っている論文．

    チコリ(Cichorium intybus L.)の根を対象としたU-Netの有効性を独自データセットで検証．独自データセットはピクセルレベルでアノーテーションされたチコリの根の画像48枚(train:29枚, val:9枚, test:10枚)で構成される．上図のように，土の中で生育中の根をアクリルガラス越しに撮影した画像を扱っている．

    評価実験により，手動による線分交差法を自動セグメンテーションで置き換えることが可能であることを示した．(手動アノーテーションと自動セグメンテーション結果のF1値は0.7となった．)



  • Computer vision and machine learning enabled soybean root phenotyping pipeline

    Falk, K.G., Jubery, T., Mirnezami, S. et al. Computer vision and machine learning enabled soybean root phenotyping pipeline. Plant Methods 16, 5 (2020).

    aria_fig3

    根を対象としたフェノタイピングのプラットフォームを提案．提供している処理の一つにセグメンテーションがある．対象とする画像は青い発芽紙の上にある根をアクリル板等なしで撮影したもの．

    ネットワークには畳み込み自動エンコーダが採用されている．実装はMATLAB．