基于聚类引导的多层对比表示学习用于柑橘病害分类
计算机视觉与模式识别
2025-07-16 v1
摘要
柑橘作为全球最经济重要的水果作物之一，因各种疾病而遭受严重的产量下降。准确的病害检测与分类是实施有针对性控制措施的关键前提。近年来，人工智能，特别是基于深度学习的计算机视觉算法的快速进步，大幅降低了检测和分类的时间和劳动力需求，同时保持了准确率。然而，这些方法主要依赖大量高质量标记的训练样本才能实现优异性能。本文引入两个关键设计：对比聚类质心和多层对比训练（MCT）范式，提出一种基于聚类引导的自监督多层对比表示学习（CMCRL）算法。该方法相对于现有方法具有若干优势：1）使用大量未标记样本进行优化；2）有效适应不同柑橘病害之间的症状相似性；3）层次化特征表示学习。该方法在公开柑橘图像数据集 CDD 上实现了最先进的性能，准确率优于现有方法提升 4.5%-30.1%。值得注意的是，我们的方法缩小了与完全监督方法（所有样本均标记）之间的性能差距。除了分类准确率，该方法在其他评估指标（F1 分数、精确率和召回率）上也表现出色，凸显了其对抗类别不平衡挑战的鲁棒性。
引用
@article{arxiv.2507.11171,
title = {Clustering-Guided Multi-Layer Contrastive Representation Learning for Citrus Disease Classification},
author = {Jun Chen and Yonghua Yu and Weifu Li and Yaohui Chen and Hong Chen},
journal= {arXiv preprint arXiv:2507.11171},
year = {2025}
}
备注
11 pages, 5 figures