ADFSNet:一种适应性域特征分离网络,用于使用高光谱图像对小麦种子进行分类

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:

• 小麦种子的分类对于作物质量和产量至关重要.
• 多年来环境的变化会造成领域的转移,降低现有的分类模型的准确性.
• 由于这些每年变化的原因,对新型小麦种子样本进行准确的分类是具有挑战性的.

研究的目的:

• 开发一个自适应域特征分离 (ADFS) 网络,用于强大的跨年小麦种子分类.
• 以最小的成本提高分类模型的概括能力.
• 为了有效地解决高光谱小麦种子数据集的域移动问题.

主要方法:

• 使用超光谱成像来获取小麦种子数据.
• 提出了一个具有深度学习的自适应域特征分离 (ADFS) 网络.
• 实现了一个共享模块,用于对准源域和目标域的分布.
• 采用两个私有模块来提取类特定和域特定的特征,同时避免学习域特定的特征以防止负面转移.

主要成果:

• 在两年的数据集上,ADFS网络在跨年小麦种子分类方面表现出有效性.
• 与三个典型的转移学习网络相比,实现了更高的分类准确性.
• 即使更新了小批量样本,也表现出更好的表现,有效地处理新的季节性变化.

结论:

• 拟议的ADFS网络提供了一个有效的解决方案,用于在不同年份准确和稳健的小麦种子分类.
• 该方法成功地减轻了由环境变化引起的域移动的影响.
• ADFS增强了模型的概括性,减少了分类错误,为农业应用提供了成本效益的方法.