利用扩散模型的力量来扩大植物疾病的图像
Abdullah Muhammad1, Zafar Salman1, Kiseong Lee1
1Vision and Image Processing Lab, Department of Computer Engineering, Sejong University, Seoul, Republic of Korea.
Frontiers in plant science
|November 29, 2023
概括
与生成对抗网络 (GAN) 相比,像RePaint这样的扩散模型在植物疾病检测数据增强方面表现优越. 这一进步解决了数据稀缺性和阶级不平衡,这对于改善植物科学中的深度学习模型至关重要.
科学领域:
- 植物科学 植物科学
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 数据稀缺和阶级不平衡是植物疾病检测的重大挑战.
- 传统的数据增强方法往往不足.
- 生成对抗网络 (GAN) 已被用于合成数据生成,但扩散模型提供了更高的现实性.
研究的目的:
- 为了比较扩散模型的性能与植物疾病数据增强的最先进的GAN.
- 使用细分面具评估RePaint (一个扩散模型) 和InstaGAN (一个GAN) 的有效性.
- 探索扩散模型在植物科学尚未探索的领域的潜力.
主要方法:
- 使用了PlantVillage数据集的子集,其中包括番茄和葡萄叶病类.
- 采用基于扩散的模型RePaint和基于GAN的模型InstaGAN,这两种模型都是由细分面具指导的.
- 使用Fréchet Inception Distance (FID) 和Kernel Inception Distance (KID) 的分数进行了定量比较.
主要成果:
- RePaint的性能明显优于InstaGAN,其FID和KID分数较低.
- 对于葡萄叶病 (69.05) 和西红叶病 (161.35),RePaint的FID得分优于现有的方法.
- 与DCGAN,LeafGAN,WGAN和SAGAN相比,RePaint表现出优越的定量指标. 这是一个很好的例子.
结论:
- 扩散模型,特别是RePaint,在植物疾病检测中的数据增强方面具有重大前景.
- 这项研究强调了扩散模型在克服植物科学研究数据局限性的潜力.
- 对扩散模型的进一步研究可以在自动植物疾病识别方面取得重大进展.
