Shape and Style GAN-based Multispectral Data Augmentation for Crop/Weed Segmentation in Precision Farming

使用深度学习方法进行精准农业越来越受到关注。然而，在此应用领域收集训练数据特别具有挑战性和成本高昂，因为需要在感兴趣的种植过程的不同生长阶段获取信息。在本文中，我们提出了一种数据增强方法，使用两个生成对抗网络创建人工图像来增加训练数据。为了获得更高的图像质量，我们不重新创建整个场景，而是仅用包含不同形状和风格的新对象的人工对象替换包含感兴趣对象的补丁。在这样做时，我们考虑了补丁的前景（即作物样本）和背景（即土壤）。在公开可用的数据集上进行的定量实验证明了所提出方法的有效性。本文讨论的源代码和数据可作为开放源代码获得。

如何解决农业领域中深度学习模型训练数据不足的问题？

使用两个GAN生成人工图像来扩充训练数据，只替换包含感兴趣目标的图像区域，同时考虑前景和背景。

论文提出的数据增强方法在公开数据集上得到了验证，开源了代码和数据，值得进一步研究。

最近的相关研究包括：Deep Learning for Agriculture: A Survey和Agricultural Field Monitoring and Analysis Using UAVs and Machine Learning。