面向准确植物叶片病害检测的多样性优化深度集成方法
计算机视觉与模式识别
2025-11-24 v1 机器学习
摘要
植物疾病构成全球农业的重大威胁，导致年度经济损失超过2200亿美元，严重威胁粮食安全。及时、准确地从植物叶片图像中检测这些疾病对于缓解其不利影响至关重要。深度神经网络集成(Deep Ensembles)已成为通过利用多种深度神经网络(DNN)优势来提升预测准确率的强大方法。然而，由于难以衡量集成多样性，选择高绩效集成成员模型存在挑战。本文引入Synergistic Diversity(SQ)框架以提升植物病害检测准确率。首先，我们全面分析了现有集成多样性指标(称为Q指标)的局限性，这些指标常常无法识别最佳集成团队。其次，我们提出了SQ指标，这是一种新型度量，捕捉集成成员之间的协同效应并与集成准确率高度一致。最后，我们在植物叶片图像数据集上通过大量实验验证了SQ方法，表明该方法显著改进了集成选择并提升了检测准确率。我们的发现为更可靠、更高效的基于图像的植物病害检测指明了道路。
引用
@article{arxiv.2511.16982,
title = {A Diversity-optimized Deep Ensemble Approach for Accurate Plant Leaf Disease Detection},
author = {Sai Nath Chowdary Medikonduru and Hongpeng Jin and Yanzhao Wu},
journal= {arXiv preprint arXiv:2511.16982},
year = {2025}
}