小麦(wheat)是全球的重要粮食作物，单位面积麦穗数量是产量潜力的重要组成部分。随着相机平台广泛普及(智能手机和无人机)，田间图像获取的门槛逐渐降低，人工数麦穗数量的工作逐渐能被人工智能图像识别所替代。而训练一个适应各种复杂情况的深度学习模型需要大量的数据集，其必须包含多样的品种、种植密度、作物状态和生长期。研究也发现，提高数据集的质量往往比增加神经网络复杂度和深度要更有效，因此我们联合了中法美日澳等12个国家的研究人员，建立了高质量的全球麦穗检测数据集(Global Wheat Head Detection, GWHD)，以用来作为衡量各类麦穗相关算法效果的基准。

2020年版的数据集已经被13篇论文使用作为训练/测试集，并且基于此举办了Kaggle算法竞赛(https://www.kaggle.com/c/global-wheat-detection)，但是在这个过程中发现了诸如标注噪声(labeling noise)和不均衡测试集(unbalanced test dataset)的问题，因此在2021年版中，我们又新增了5个国家16个机构共计逾27万个麦穗数据。在此次版本更新中，我们更新了子数据集的定义：在同一个试验区于相同的小麦生长阶段、使用相同获取方式(平台与传感器)得到的一组一致的图像。并依据此重新对之前的数据进行了子集的划分。新数据集的生长期分布如图2所示，整体上比较均衡。

此外，我们也评估了新数据集的多样性，这边使用的是把使用ImageNet数据集预训练过的VGG网络的最后一层(14x14x512)去除重复后归一化成512维矢量，然后使用UMAP降维算法变成2维，然后使用X和Y把分布可视化出来(图3)。可以看出2021年新增加的数据(绿色部分)有效填补了2020年的空缺部分，有助于提高训练模型的耐操性鲁棒性(robustness)。

但目前的数据集仍然缺少大部分发展中国家的数据(如南美、非洲和南亚)，也开始尝试添加智能手机获取的俯视图(天底图，nadir)，并且计划添加蒙版标注(mask)而非目前的框标注(bounding box)。

号外：今年的作物产量预测竞赛(Crop Yield Prediction Challenge)正在进行，欢迎大家踊跃报名(https://eval.ai/web/challenges/challenge-page/1251/overview)，三等奖奖金都有1000美元哦( ⓛ ω ⓛ *)

David, E., Serouart, M., Smith, D., Madec, S., Velumani, K., Liu, S., Wang, X., Espinosa, F.P., Shafiee, S., Tahir, I.S.A., Tsujimoto, H., Nasuda, S., Zheng, B., Kichgessner, N., Aasen, H., Hund, A., Sadhegi-Tehran, P., Nagasawa, K., Ishikawa, G., Dandrifosse, S., Carlier, A., Mercatoris, B., Kuroki, K., Wang, H., Ishii, M., Badhon, M.A., Pozniak, C., LeBauer, D.S., Lilimo, M., Poland, J., Chapman, S., de Solan, B., Baret, F., Stavness, I., Guo, W., 2021. Global Wheat Head Dataset 2021: more diversity to improve the benchmarking of wheat head localization methods. arXiv:2105.07660 [cs].

1. 小麦的生长周期图示

2. UMAP算法的原理解读

https://zhuanlan.zhihu.com/p/150788883

3. UMAP算法的Python工具包

https://zhuanlan.zhihu.com/p/109584077