从实验室到田间:跨领域的短时间学习,用于在田间识别作物疾病
Sen Yang1, Quan Feng1, Jianhua Zhang2
1College of Mechanical and Electrical Engineering, Gansu Agricultural University, Lanzhou, China.
Frontiers in plant science
|January 2, 2025
概括
这项研究引入了一个跨领域的少数射击学习 (CD-FSL) 框架,以改善跨不同数据集的植物疾病识别. 拟议的CDFSL-BDC模型显示出卓越的性能,增强了在现实领域环境中对疾病识别的概括性.
科学领域:
- 计算机科学 计算机科学
- 植物病理学 植物病理学
- 人工智能的人工智能
背景情况:
- 短暂学习 (FSL) 在有限样本的植物疾病识别方面表现出色.
- 目前的FSL方法在跨域概括方面扎,导致新数据集的性能下降.
- 域名转移显著影响FSL模型在作物疾病识别中的性能.
研究的目的:
- 开发一个跨领域的少数射击学习 (CD-FSL) 框架,用于在不同领域强大的作物疾病识别.
- 探索域间的相关性,以增强FSL模型的概括能力.
- 评估CD-FSL在应对对新疾病数据集进行概括时的性能下降方面的有效性.
主要方法:
- 提出了一个更广泛的跨领域的少数射击学习 (CD-FSL) 框架,用于作物疾病的识别.
- 开发了三个代表性的CD-FSL模型:CDFSL-BDC (基于计量),CDFSL-MAML (基于优化) 和CDFSL-NML (非元学习).
- 在模型中集成了布朗距离共变量 (BCD) 模块和改进的一般特征提取器.
主要成果:
- CD-FSL模型的准确性随着域间相似性增加而提高.
- 与最先进的模型相比,CDFSL-BDC模型在不同领域的差距中显示出最佳的平均性能.
- 在从害虫转移到作物疾病领域时,CDFSL-BDC实现了63.95% (1次射击) 和80.13% (5次射击) 的精度.
- 多域学习显示出更强的域移动性,而不是具有很大的域差距的单域学习.
结论:
- 从数据的角度来看,优化CD-FSL对于现场环境中的疾病识别非常有效.
- 拟议的CD-FSL框架提高了对未见的类别和领域的概括性.
- 这项研究为跨领域的疾病检测提供了技术参考,并扩展了植物疾病识别中的深度学习应用.
