有限制的博尔兹曼机器与索贝尔波器密集的对抗噪声保护层框架用于花物种识别
Shyamala Devi M1, Sundaravadivazhagan Balasubaramanian2, Balasubramaniam S3
1Department of Computer Science and Engineering, Panimalar Engineering College, Chennai, Tamil Nadu, 600123, India.
Scientific reports
|April 10, 2025
概括
这项研究引入了一种新的深度学习模型,SRB-VGG19,用于准确识别花物种. 该模型通过结合索贝尔过器,受限制的博尔兹曼机器和VGG19来实现98.65%的准确性,同时也可以防御数据中毒攻击.
科学领域:
- 计算机视觉 计算机视觉
- 深度学习 (Deep Learning) 是一种深度学习.
- 植物学 植物学
背景情况:
- 花种的分类对于理解植物关系至关重要.
- 种类之间的高变异性和相似性带来了分类挑战.
- 深度学习为有效的花分类提供了一个有希望的方法.
研究的目的:
- 开发一种有效的深度学习模型,用于准确识别花物种.
- 增强现有的模型,如VGG19和DenseNet,以改善分类.
- 解决和减轻花朵识别系统中的数据中毒攻击.
主要方法:
- 使用Sobel波器和受限制的博尔兹曼机器 (RBM) 进行特征提取,用于无监督学习.
- 使用改进的VGG19和DenseNet模型进行监督学习,用于分类五种花群.
- 实施对抗噪声层以应对快梯度信号方法 (FGSM) 攻击.
主要成果:
- 拟议的SRB-VGG19密度模型实现了高分类准确度的98.65%.
- 在VGG19和DenseNet模型中,初始分类准确度超过80%.
- 该模型有效地识别了花的基本特征,并抵御了FGSM的攻击.
结论:
- 该SRB-VGG19模型显著提高了花物种识别的准确性.
- 索贝尔过器,RBM和VGG19的整合提供了一个强大的分类框架.
- 开发的安全措施有效地保护模型免受数据中毒威胁.
