RAC:通过基于CLIP的模两可的减少来识别近距离的果实
Dat Tran-Anh1, Thang Vu Ba2, Ngan Hoang Dao3
1Graduate University of Science and Technology, Vietnam Academy of Science and Technology, Hanoi, Vietnam; Faculty of Information Technology, Thuyloi University, Hanoi, Vietnam.
概括
这项研究引入了一个新的框架,降低Clip中的模两可,用于假冒检测 (RAC),以改善假冒农产品的识别. RAC有效地减少了视觉模两可,在短暂的学习场景中显著提高了检测准确性.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 农业科学 农业科学
背景情况:
- 假冒农产品带来了重大分类挑战,特别是像CLIP这样的模型在少数射击学习条件下.
- 真正和假冒物品之间的微妙视觉差异会造成模糊性,阻碍准确的检测.
研究的目的:
- 引入一个新的框架,减少伪造检测CLIP (RAC) 中的模糊性,以解决伪造农产品检测中的模糊性.
- 增强歧视力,减少在短暂学习场景中的类间混.
主要方法:
- 该RAC框架使用多层感知器Plus (MLP-P) 模块来合成来自CLIP图像编码器的多层视觉表示.
- 使用一个类间模糊性减少 (IRA) 模块来抑制导致混的视觉模式.
- 一个网络融合 (NF) 阶段动态集成输出,以便进行可靠的分类.
主要成果:
- 在四个基准测试中,RAC在16次学习中实现了76.95%的平均准确率,在四个基准测试中超过了最先进的2.50%.
- 该框架在TFS-Fruit数据集上达到80.0%的准确性,证明了其在关键农业应用中的有效性.
结论:
- 该RAC框架显著提高了对假冒农产品检测的准确性,特别是在短暂的学习场景中.
- RAC的活跃提炼过程有效地减轻了视觉模两可,为现实世界农业挑战提供了强大的解决方案.


