Generative Adversarial Network Synthesis for Improved Deep Learning Model Training of Alpine Plants with Fuzzy Structures

Deep-Learning-Ansätze werden in hohem Maße von zwei Faktoren beeinflusst, nämlich von der Komplexität der Aufgabe und der Größe des Trainingsdatensatzes. In Bezug auf beide Faktoren stellt die Extraktion von Merkmalen niedrigwüchsiger alpiner Pflanzen aufgrund ihres unscharfen Aussehens, der großen strukturellen Vielfalt der Pflanzenorgane und des hohen Aufwands, der mit der Beschaffung hochwertiger Trainingsdaten für solche Pflanzen verbunden ist, eine Herausforderung dar. Aus diesem Grund wird in dieser Studie ein Ansatz für das Training von Deep-Learning-Modellen im Kontext der alpinen Vegetation vorgeschlagen, der auf einer Kombination aus realen und künstlichen Daten basiert, die mit Hilfe von Generative Adversarial Networks synthetisiert wurden. Die Bewertung dieses Ansatzes zeigt, dass synthetische Daten verwendet werden können, um die Größe der Trainingsdatensätze zu erhöhen. Vor diesem Hintergrund werden die Ergebnisse und die Robustheit von Deep-Learning-Modellen anhand eines U-Netz-Segmentierungsmodells demonstriert. Die Bewertung erfolgt anhand einer Kreuzvalidierung für drei Alpenpflanzen, nämlich Soldanella pusilla, Gnaphalium supinum und Euphrasia minima. Für die beiden letztgenannten Arten wurde eine bessere Segmentierungsgenauigkeit erzielt. Für Gnaphalium wurden mit 100 realen Trainingsbildern Würfelergebnisse von 24,16 % gegenüber 26,18 % ermittelt. Bei Euphrasia verbesserten sich die Dice Scores von 33,56 % auf 42,96 % mit nur 20 realen Trainingsbildern.