DomAda-FruitDet:用于自动标签的域自适应式无水果检测模型
Wenli Zhang1, Chao Zheng1, Chenhuizi Wang1
1Information Department, Beijing University of Technology, Beijing 100022, China.
Plant phenomics (Washington, D.C.)
|January 26, 2024
概括
深度学习果实检测在数据标签方面面临挑战. 一个新的域自适应模型,DomAda-FruitDet,通过解决水果图像中的域间隙来提高自动标记的准确性.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 农业技术 农业技术
背景情况:
- 深度学习在现代农业中显著推进了水果检测.
- 用于果实检测模型的手动数据标签是耗时和劳动密集的.
- 之前的自动标签方法在源果和目标果数据集之间存在域间隙.
研究的目的:
- 开发一种改进的自动标签方法来检测水果.
- 为了解决果实检测数据集中的域间隙问题.
- 为了提高智能果园系统的准确性.
主要方法:
- 提出了一个域自适应的无果实检测模型 (DomAda-FruitDet).
- 实现了前景域适应结构,具有双重预测层,用于多尺度检测.
- 利用基于样本分配的背景域适应策略来改善特征提取.
主要成果:
- DomAda-FruitDet有效地减少了果实检测中的域差距.
- 在标记果 (90.9%),西红 (90.8%),皮塔亚 (88.3%) 和果 (94.0%) 数据集中实现了高平均精度.
- 显著提高了之前提出的水果自动标签方法的准确性.
结论:
- 拟议的DomAda-FruitDet模型成功克服了果实检测中的域间隙挑战.
- 这种方法提高了智能果园自动标签的效率和准确性.
- 这些发现有助于在水果行业更有效的深度学习应用.
更多相关视频
15:25Tomato Analyzer: A Useful Software Application to Collect Accurate and Detailed Morphological and Colorimetric Data from Two-dimensional Objects
Published on: March 16, 2010
26.4K
13:13Time-Lapse Imaging of Neuronal Arborization using Sparse Adeno-Associated Virus Labeling of Genetically Targeted Retinal Cell Populations
Published on: March 19, 2021
2.9K
