Deep Learning and Continual Learning Techniques for Plant Image Analysis

Die in dieser Arbeit vorgestellte Forschung befasst sich mit der Anwendung von Deep Learning auf digitale Bilder, insbesondere Pflanzenbilder. Das exponentielle Wachstum öffentlich verfügbarer Bilddatensätze, das vor allem auf die breite Verfügbarkeit von Smartphones und Digitalkameras zurückzuführen ist, hat zu einem starken Anstieg der Deep-Learning-Forschung in verschiedenen Bereichen geführt. Online-Plattformen wie iNaturalist, GBIF und Zooniverse bieten Hunderte von Millionen von Bildern, darunter digitalisierte Herbarbelege aus Museen und Sammlungen weltweit. Diese dienen als unschätzbare Ressourcen für die ökologische und Biodiversitätsforschung. Während Pflanzenbilder aus natürlichen Umgebungen eine hervorragende Ressource für die Untersuchung von Artenverteilungen und ökologischen Merkmalen darstellen, bieten eingescannte Herbarbelege zusätzliche Vorteile, wie die Analyse visueller und struktureller Pflanzenmerkmale in einem standardisierten Format, die für die Analyse phänologischer Merkmale von Arten über Hunderte von Jahren hinweg verwendbar ist. In dieser Arbeit werden innovative Methoden zur Erkennung von Arten, zur Extraktion von Merkmalen und zur Erkennung von Pflanzenorganen vorgestellt, indem neuartige Deep-Learning-Techniken zur Bilderkennung und Objekterkennung eingesetzt werden. Neben der erfolgreichen Umsetzung dieser Ansätze werden in dieser Arbeit auch entscheidende Herausforderungen wie die Unausgewogenheit der Daten und die begrenzte Verfügbarkeit von markierten Datensätzen aufgezeigt. Die Arbeit befasst sich mit diesen Herausforderungen und schlägt einen innovativen, datenfreien Ansatz für kontinuierliches Lernen vor, um ein Modell auf kontinuierlich anfallenden Daten zu trainieren und gleichzeitig das Datenungleichgewicht zu verringern. Dieser Ansatz ermöglicht es, neue Daten mit unbekannter Verteilung in bestehende Modelle zu integrieren und gleichzeitig das zuvor gelernte Wissen zu bewahren, ohne auf die vorherigen Daten zugreifen zu müssen. Durch eine Kombination aus praktischen Deep-Learning-Anwendungen und theoretischen Erkenntnissen trägt die in dieser Arbeit vorgestellten Ergebnise wesentlich zu Fortschritten in der ökologischen Forschung und im kontinuierlichen Lernen bei.