L-system中使用的葉生長和形狀函數
深度學習為基于圖像的植物表型提供了許多機會。本文中，作者考慮深度卷積神經網絡的能力來執行葉計數任務。深度學習技術通常需要大而多樣的數據集來學習可歸納的模型，而不需要為執行任務提供一個設計的算法。這一要求對于在植物表型領域的應用來說是具有挑戰性的，因為在這些領域中，可用的數據集通常很小，而且生成新數據的成本很高。作者在這里提出了一種利用合成植物的渲染圖像來增加植物表型數據集的新方法。作者證明，使用高質量的3D合成植物來增加數據集可以提高葉計數任務的性能，并且在不同的數據集上進行訓練和測試時，模型產生任意的表型分布的能力減輕了數據集轉換的問題。最后，證明了在葉片計數任務上訓練神經網絡時，真實的和合成的植物是可以互換的。
L-system合成的樣品（上）和公共數據集中真實的樣品（下）
20片葉子的擬南芥模型
關鍵詞：表型，深度學習，機器學習，3D植物建模，L-system
來源：Plant Methods 18 January 2018.The use of plant models in deep learning: an application to leaf counting in rosette plants.Jordan Ubbens, Mikolaj Cieslak, Przemyslaw Prusinkiewicz and Ian Stavness.
