针对植物胁迫分类的类别特定数据增强
计算机视觉与模式识别
2024-06-21 v1
摘要
数据增强是提高基于深度学习的作物胁迫识别和分类图像分类器的强大工具。然而，从大量候选增强方法中选择有效的增强组合，仍是关键挑战，尤其是在不平衡和混合数据集中。我们提出了一种基于遗传算法的自动化类别特定数据增强方法。我们在大豆 [Glycine max (L.) Merr] 胁迫分类上展示了该方法的实用性，其中症状在叶片上观察到；这是一个因数据集中的混合类别而具有挑战性的问题。我们的方法在性能上取得了显著的提升，在大豆叶片胁迫数据集上实现了97.61%的类别均准确率和98%的总体准确率。该方法在最具挑战性的类别上显著提高了准确率，分别从83.01%提升至88.89%，从85.71%提升至94.05%。我们研究中的一个关键观察是，能够以可计算的高效方式识别高性能增强策略。我们仅对基线模型的线性层进行微调，即可获得不同增强策略的效果，从而在为每个增强策略从头训练分类器时所需的计算资源中获得显著减少，同时实现了卓越的性能。这一研究代表了对植物胁迫分类中自动化数据增强策略的一种新进展，尤其是在混合数据集的背景下。我们的发现为精细化增强技术及其对疾病管理策略、作物产量和全球粮食安全潜在影响的研究不断增长的文献综述做出了贡献。该提出的方法有望提高基于深度学习的工具在农业中管理植物胁迫的准确性和效率。
引用
@article{arxiv.2406.13081,
title = {Class-specific Data Augmentation for Plant Stress Classification},
author = {Nasla Saleem and Aditya Balu and Talukder Zaki Jubery and Arti Singh and Asheesh K. Singh and Soumik Sarkar and Baskar Ganapathysubramanian},
journal= {arXiv preprint arXiv:2406.13081},
year = {2024}
}