否认扩散概率模型和转移学习用于类病的诊断
Yuchen Li1, Jianwen Guo1, Honghua Qiu1
1School of Mechanical Engineering, Dongguan University of Technology, Dongguan, Guangdong, China.
Frontiers in plant science
|December 26, 2023
概括
这项研究表明,Denoising Diffusion Probabilistic Models (DDPM) 结合Swin变压器和转移学习可以有效地诊断类植物疾病,即使数据有限. 方法2实现了99.8%的准确性,优于其他模型.
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:
- 对于植物疾病诊断的深度学习面临环境变化和有限的现实数据带来的挑战.
- 植物病诊断模型的准确培训受到样本信息不足的阻碍.
研究的目的:
- 评估Denoising扩散概率模型 (DDPM),Swin变压器和转移学习,用于用小数据集诊断类疾病.
- 评估拟议的深度学习方法的可行性和有效性,以解决植物疾病识别的数据稀缺问题.
主要方法:
- 方法1:DDPM用于合成图像生成,其次是Swin变压器预训练和转移学习 - - 对原始图像进行微调.
- 方法2:使用预训练的Swin变压器转移学习,在数据集上进行微调,并增加了原始和DDPM生成的合成图像.
主要成果:
- 方法1实现了96.3%的验证准确率;方法2实现了99.8%的验证准确率.
- 这两种方法都成功地减轻了小型数据集场景中的模型过拟合.
- 与VGG16,EfficientNet,ShuffleNet,MobileNetV2和DenseNet121相比,提出的方法在类疾病分类方面表现优越.
结论:
- 基于DDPM的数据增强与Swin变压器和转移学习相结合,提供了一个强大的解决方案,以有限的数据来诊断类疾病.
- 提出的方法显著提高了诊断准确性,并克服了农业机器学习应用的常见局限性.
- 方法2,利用增强数据集上的转移学习,证明了非常高的效率,实现了近乎完美的准确性.
