基于图像的植物表型一向在稳步增长，这急剧增长了对必要可能评估多种植物性状的更有效图像分析技术的需要
。深度进建已经在植物表型的很多视觉工作中显示出它的潜力，例如宰割和计数
。本文展示了若何使用多工作进建（MTL）从植物图像中同时提取分歧的表型性状
。MTL利用蕴含在有关工作的训练图像中的信息来改善整体泛化并进建带有较少标签的模型
。本文作者提出了一种用于植物表型的多工作深度进建框架，该框架可能同时揣度出三个特点：（i）叶数，（ii）投影壹积（PLA）和（iii）基因型分类
。作者选取一个改进的预训练ResNet50作为特点提取器，对其进行端到端的训练以预测多个性状

；估肕TL批注，通过进建更容易获得的注解(如PLA和基因型)，能够预测更好的叶数(更难获得注解)
。作者在几个公开的拟南芥顶视图图像数据集上评估了此发现
。

多工作进建（MTL）模型示意图

模型的具体架构

使用滑动窗口显示网络焦点的测试

尝试了局批注，与统一数据集上的单个工作网络相比，所提出的MTL步骤将叶子计数均方误差（MSE）提高了40％以上
。还批注，本文的MTL框架能够在不显著影响机能的情况下，使用最多削减75%的叶数注解进行训练，而当可用注解削减时，单个工作模型显示出不变的降落
。

代码获取蹊径https://github.com/andobrescu/Multi_task_plant_phenotyping

起源：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