Improving Deep Learning Predictions with Simulated Images, and Vice Versa

人工神经网络通常用于识别农作物植物的特征。然而，训练它们的模型需要许多注释图像，这可能会很昂贵且耗时。使用程序化植物模型（例如使用Lindenmayer系统（L-systems）开发的模型）可以创建视觉逼真的模拟，从而产生植物模拟的图像，其中注释是隐含的。这些合成图像可以在训练神经网络进行表型分析任务时，用于增强或完全替代真实图像。本文系统地变化了用于训练玉米和油菜的真实和合成图像的数量，以更好地了解从L-systems生成的合成图像如何帮助预测真实图像的情况。此外，本文还探讨了合成图像逼真程度如何提高预测的程度。此外，我们还看到神经网络预测如何用于帮助校准L-systems本身，从而创建一个反馈循环。

本文旨在探究使用基于L-系统的合成图像来训练神经网络在农作物表型学任务中的效果，以及合成图像的真实性对预测的影响。

使用基于L-系统的合成图像可以替代或增强真实图像来训练神经网络，从而减少获取标注图像的时间和费用。同时，通过神经网络的预测结果可以帮助校准L-系统本身，形成一个反馈循环。

本文系统地比较了在玉米和油菜中使用不同比例真实图像和合成图像的训练效果，并探究了合成图像真实性对预测的影响。实验结果表明，使用合成图像可以显著提高预测准确率，而且预测结果可以用来帮助优化L-系统。此外，本文使用了开源数据集和代码，为该领域的研究提供了便利。

在该领域的相关研究包括：1. "DeepPheno: Predicting Crop Phenotypes from Images Using Deep Learning"；2. "Plant Phenotyping using Probabilistic Topic Models: Uncovering the Hyperspectral Language of Plants"。