Desarrollo de un framework para la segmentación auto-supervisada de series temporales de imágenes mediante flujo óptico

• Autores: Frassia, Fernando; Ferrante, Enzo; Gaggion, Nicolás
• Año de publicación: 2025
• Idioma: español castellano
• Tipo de recurso: documento de conferencia
• Materia: Ciencias Informáticas; Flujo óptico; Segmentación radicular; Fenotipado; Optic flow; Root segmentation; Phenotyping
• Institución: Universidad Nacional de La Plata

En el campo de la biología vegetal, comprender la dinámica de crecimiento radicular es crucial para diversas aplicaciones, que abarcan desde la mejora genética de cultivos hasta el estudio de respuestas fisiológicas ante diferentes condiciones ambientales. Para analizar dicha dinámica mediante series temporales de imágenes o videos, es indispensable segmentar las raíces para poder finalmente fenotiparlas, extrayendo así parámetros como la longitud, el ángulo de crecimiento, entre otros. Actualmente, los métodos de segmentación más utilizados se basan en redes neuronales convolucionales (CNNs), las cuales requieren un gran volumen de datos etiquetados manualmente para su entrenamiento. El presente trabajo busca abordar este desafío mediante el desarrollo de un método auto-supervisado para la generación de etiquetas, aprovechando la redundancia temporal inherente en videos de raíces en crecimiento. Este enfoque permite reducir significativamente la necesidad de anotaciones manuales, haciendo el proceso de segmetación más eficiente.
In the field of plant biology, understanding root growth dynamics is crucial for various applications, ranging from crop genetic improvement to the study of physiological responses under different environmental conditions. To analyze this dynamic behavior through time-lapse image sequences or videos, it is essential to segment the roots in order to ultimately phenotype them, thereby extracting parameters such as length, growth angle, among others. Currently, the most commonly used segmentation methods are based on convolutional neural networks (CNNs), which require a large amount of manually labeled data for training. This work aims to address this challenge through the development of a self-supervised method for label generation, leveraging the temporal redundancy inherent in videos of growing roots. This approach significantly reduces the need for manual annotations, making the segmentation process more efficient.
Sociedad Argentina de Informática e Investigación Operativa