Resumen:
En este trabajo se aplicó una metodología de adaptación de dominio basada en el transporte óptimo, la cual permite modificar la distribución de colores de una imagen para que se alinee con la de una imagen al azar de otro dominio. Al aplicar este método a las imágenes de la base de datos Global Wheat Head Detection 2021 y posteriormente entrenar un modelo YOLOv5s, se encontró que la precisión promedio media (mAP50) del modelo aumenta hasta un 4.1% comparado con el mismo modelo sin aplicar este método. Además, al eliminar imágenes para crear una base de datos balanceada, este aumento en el mAP50 se dispara hasta un 8.4 %. Así, la metodología propuesta presenta una alternativa que mejora la detección de espigas sin aumentar la complejidad de la red neuronal o el tamaño de la base de datos.
Descripción:
In this work, a domain adaptation technique based on optimal transport was applied. This technique mo- difies the color distribution of an image, matching it with a randomly selected image from another domain. Applying this method to the Global Wheat Head Detection 2021 dataset, and then trai- ning a YOLOv5s model with these images, led to an increase of up to 4.1% in the mean average precision (mAP50), when compared to a baseline model in which no domain adaptation is used. Moreover, by removing images to create a balanced dataset, the mAP50 improves by up to 8.4 %. Thus, the proposed methodology provides an alternative to enhance wheat head detection without increasing the model complexity or the size of the dataset.
Excepto si se señala otra cosa, la licencia del ítem se describe como CC0 1.0 Universal