基于圖像的植物表型一直在穩步增長，這急劇增加了對需要能夠評估多種植物性狀的更有效圖像分析技術的需求。深度學習已經在植物表型的許多視覺任務中顯示出它的潛力，例如分割和計數。本文展示了如何使用多任務學習（MTL）從植物圖像中同時提取不同的表型性狀。MTL利用包含在相關任務的訓練圖像中的信息來改善整體泛化并學習帶有較少標簽的模型。本文作者提出了一種用于植物表型的多任務深度學習框架，該框架能夠同時推斷出三個特征：（i）葉數，（ii）投影葉面積（PLA）和（iii）基因型分類。作者采用一個改進的預訓練ResNet50作為特征提取器，對其進行端到端的訓練以預測多個性狀。還利用MTL表明，通過學習更容易獲得的注釋(如PLA和基因型)，可以預測更好的葉數(更難獲得注釋)。作者在幾個公開的擬南芥頂視圖圖像數據集上評估了此發現。






實驗結果表明，與同一數據集上的單個任務網絡相比，所提出的MTL方法將葉子計數均方誤差（MSE）提高了40％以上。還表明，本文的MTL框架可以在不顯著影響性能的情況下，使用最多減少75%的葉數注釋進行訓練，而當可用注釋減少時，單個任務模型顯示出穩定的下降。

代碼獲取路徑https://github.com/andobrescu/Multi_task_plant_phenotyping

來源：Front. Plant Sci.Doing More With Less: A Multitask Deep Learning Approach in Plant Phenotyping.Andrei Dobrescu, Mario Valerio Giuffrida and Sotirios A. Tsaftaris.https://doi.org/10.3389/fpls.2020.00141