一个多源域特征适应网络,用于在现场环境中识别马病

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:

• 准确的土豆疾病鉴定对于尽量减少作物产量损失至关重要.
• 低识别准确度通常是由于数据不足而导致域不匹配的结果.
• 探索无监督域适应技术来克服这些数据限制.

研究的目的:

• 评估多源无监督域适应 (MUDA) 的有效性,以识别土豆疾病.
• 提出和验证一个新的网络,多源域特征适应网络 (MDFAN),以改进疾病识别.
• 评估该方法对图像采集变化的稳定性,例如照明条件.

主要方法:

• 在MDFAN框架内,采用了两阶段的调整策略.
• 第一阶段涉及在多个特征空间中对源-目标域分布进行对齐,使用多个表示提取和子域对齐.
• 第二阶段通过利用特定领域内的决策边界对分类器输出进行调整.

主要成果:

• MDFAN实现了高平均分类准确率:92.11%的两个源域和93.02%的三个源域.
• 提出的方法在转移任务中显著优于现有技术.
• 在现场图像采集过程中,MDFAN证明了对照明条件变化的稳定性.

结论:

• 多源无监督域适应 (MUDA) 是有效的土豆疾病的识别.
• 该MDFAN模型提供了一个强大而准确的解决方案,用于识别土豆疾病,即使数据有限或多样化.
• 这些发现支持先进的机器学习技术在农业中用于疾病管理的实际应用.