基于PMF管道域适应方法的植物和疾病识别:使用树皮图像作为元数据集
Zhelin Cui1, Kanglong Li1, Chunyan Kang1
1Co-Innovation Center for Sustainable Forestry in Southern China, Nanjing Forestry University, Nanjing 210037, China.
Plants (Basel, Switzerland)
|September 28, 2023
概括
这项研究增强了植物疾病识别的跨领域少量射击学习 (CDFSL),即使在有限的数据上也实现了高精度. 改进的方法显示稳定的可转移性和广泛适用于农业和林业.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 高效的图像识别对于作物和森林管理至关重要,但受到众多物种,外观变化和有限的标签数据的阻碍.
- 现有的方法在训练数据的稀缺性和植物识别任务中需要域泛化方面扎.
研究的目的:
- 增强一个最先进的跨领域快速学习 (CDFSL) 方法,以改善植物和疾病的识别.
- 解决图像识别方面的挑战,包括数据稀缺性和域变性,使用注意力机制和原型网络.
主要方法:
- 修改了一种最先进的跨领域短暂学习 (CDFSL) 方法.
- 集成的注意力机制用于特征提取和原型生成,专注于突出的图像区域.
- 利用原型网络来学习类型原型和分类新实例.
主要成果:
- 实现了高分类准确性:在同一域数据集上高达96.95%,在跨域数据集上高达94.07%.
- 通过结果可视化,在数据集之间展示了稳定的传输能力.
- 展示了模型预测与植物/疾病生物特征之间的高视觉相关性.
结论:
- 修改后的CDFSL方法有效地识别了使用通用表示的跨域植物和疾病数据集.
- 该模型表现出稳定的可转移性和广泛适用性,特别是当训练数据包括多种不同的语义类时.
- 这种方法为农业和林业管理中高效的图像识别提供了有希望的解决方案.
