基于因果关系的作物害虫识别基于解特征学习
Tao Hu1,2, Jianming Du2, Keyu Yan1,2
1Science Island Branch of Graduate School, University of Science and Technology of China, Hefei, China.
Pest management science
|July 18, 2024
概括
一个新的脱特征学习 (DFL) 框架解决了偏见的作物害虫数据集. DFL提高了对农业害虫的深度学习识别准确度,提高了生态平衡.
科学领域:
- 农业科学 农业科学
- 计算机科学 计算机科学
背景情况:
- 对全球农业和生态平衡来说,农作物害虫的识别至关重要.
- 深度学习方法显示出潜力,但受到偏见的训练数据的影响,限制了准确性.
- 现有的模型在与来自环境的害虫图像进行斗争,这些环境在训练数据集中没有代表.
研究的目的:
- 引入一个新的框架来克服基于深度学习的农作物害虫识别的局限性,这是由于有偏见的培训数据造成的.
- 提高农业自动化虫害识别系统的准确性和可靠性.
主要方法:
- 开发了脱特征学习 (DFL) 框架,使用因果推理技术.
- 根据分类信心操纵培训数据,以创建多样化的培训领域.
- 雇佣中心三倍损失学习歧视性阶级核心特征.
主要成果:
- DFL框架显著改善了基线模型的性能.
- 实现了高识别准确度:95.33%在Li上,92.59%在DFSPD上,74.86%在IP102数据集上.
- 在害虫识别任务中,在标准基线模型上表现出优越性.
结论:
- DFL有效地减轻了虫害识别中的数据分布偏差.
- 该框架鼓励模型专注于关键的类核心特征,提高概括性.
- 对于农业中可靠的深度学习应用来说,DFL是一个重要的进步.
