面向无标注植物病害图像的混沌到精细聚类
计算机视觉与模式识别
2021-01-19 v1
摘要
当前植物病害图像标注依赖农业专家人工分拣与手工特征，耗时耗力。本文提出一种基于核 K-means 脆弱性的自监督聚类框架，用于对植物病害图像分组。其主要思想是建立基于核 K-means 的跨迭代欠聚类算法，以产生伪标注训练集与一个混沌簇，并由深度学习模块进一步分类。为验证所提框架有效性，我们在含五种植物与 17 种植物病害的三个不同植物病害数据集上开展广泛实验。实验结果表明，相较五项现有 SOTA 工作在不同度量下，我们的方法在平衡与不平衡数据集上做基于图像的植物病害分类均具高度优越性。
引用
@article{arxiv.2101.06820,
title = {Chaotic-to-Fine Clustering for Unlabeled Plant Disease Images},
author = {Uno Fang and Jianxin Li and Xuequan Lu and Mumtaz Ali and Longxiang Gao and Yong Xiang},
journal= {arXiv preprint arXiv:2101.06820},
year = {2021}
}
备注
This paper has been submitted to Computer Vision and Image Understanding