Did the Global Wheat Head Challenges solve wheat head counting ?
Notice bibliographique
Résumé
For field workers around the world, wheat trials are often synonymous with wheat heads counting: a tedious but important task to measure this important yield component. Deep Learning has been a promising solution to automate the acquisition of wheat head density from a high-throughput phenotyping system, but it has been shown to be sensitive to changing acquisition conditions, also known as “domain change.” In response, an international collaboration built the “Global Wheat Head Dataset” in 2020 and 2021, a collection of 6515 images acquired during 47 different acquisition sessions in 12 countries. In addition to these datasets, two data competitions were held in 2020 (Kaggle, over 2,200 competitors) and 2021 (AIcrowd, over 400 competitors). The winning solutions are expected to be usable in plant phenotyping pipelines to robustly assess wheat spike density. We tested this hypothesis by evaluating the 2021 winning solution on an independent dataset consisting of images measured both in the field and in the image by a human, taken with the same acquisition protocol. We use triple collocation analysis to demonstrate that the predicted density appears to be more reliable than the human density measured in the field and in the image. Furthermore, we demonstrate that Global Wheat Head Dataset can be used to estimate wheat ear density from a drone.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».