Key points are not available for this paper at this time.
빠르고 정확한 식물 계수 도구는 현대 농업의 혁신에 영향을 미칩니다. 그러나 농업 종사자들은 도구의 출력이 정확할 뿐만 아니라 설명 가능하기를 기대합니다. 이러한 설명 가능성은 종종 어떤 인스턴스가 카운트되었는지를 추론할 수 있는 능력을 의미합니다. 직관적인 방법 중 하나는 각 인스턴스에 대한 경계 상자를 생성하는 것입니다. 그럼에도 불구하고 탐지에 의한 계수와 비교할 때, 국소 계수 프레임워크에서는 식물 계수를 보다 직접적으로 추론할 수 있지만, 이 패러다임을 비난하는 한 가지는 출력 시각화의 불만족스러운 설명 가능성입니다. 특히 우리는 불만족스러운 설명 가능성이 계수 성능을 제한하는 병목 현상이 된다는 것을 발견했습니다. 이를 해결하기 위해, 우리는 카운트 재분배를 허용하는 새로운 업샘플링 연산자를 제안하고 배경을 억제하기 위해 서로 다른 융합 전략을 가진 분할 디코더를 조사하는 안내된 업샘플링 및 배경 억제 아이디어를 탐구합니다. 이를 기존의 계수 모델인 TasselNetV2에 통합함으로써, 우리는 TasselNetV3 시리즈, 즉 TasselNetV3-Lite 및 TasselNetV3-Seg를 소개합니다. 우리는 옥수수 족쇄 계수, 밀 이삭 계수 및 쌀 식물 계수를 아우르는 세 가지 공개 식물 계수 데이터 세트와 새로운 무인 항공기(UAV) 기반 데이터 세트에서 TasselNetV3 시리즈를 검증합니다. 광범위한 결과는 안내된 업샘플링 및 배경 억제가 계수 성능을 향상시킬 뿐만 아니라 설명 가능한 시각화를 가능하게 한다는 것을 보여줍니다. 최첨단 성능 외에도 우리는 몇 가지 흥미로운 관찰을 하였습니다: 1) 제한된 수용 필드 카운터가 대부분의 경우 넓은 수용 필드 카운터보다 더 우수한 성능을 보입니다; 2) 점선 주석으로부터 경험적 분할 마스크를 생성하는 것으로 충분합니다; 3) 중간 융합은 전경-배경 선험적 지식을 통합하는 좋은 선택입니다; 4) 계수와 분할 학습을 분리하는 것이 중요합니다.
Lü et al. (Fri,)는 이 문제를 연구하였습니다.