基于扩散概率模型与迁移学习的深度数据增强用于杂草识别提升
计算机视觉与模式识别
2022-10-19 v1
摘要
杂草管理在许多现代农业应用中起着重要作用。传统的杂草控制方法主要依赖化学除草剂或人工除草，这些方法通常成本高昂、对环境不友好，甚至对食品安全和人类健康构成威胁。近年来，利用机器视觉系统的自动化/机器人除草因其精准和个体化的杂草处理潜力而受到越来越多的研究关注。然而，开发鲁棒且有效的杂草识别系统需要专门的、大规模且带标签的杂草图像数据集，但这些数据集往往难以获取且成本高昂。为解决此问题，人们已探索使用生成对抗网络（GAN）等数据增强方法来生成高度逼真的农业图像。尽管如此，尽管取得了一些进展，这些方法往往训练复杂或难以保留图像中的精细细节。在本文中，我们提出了首项将扩散概率模型（也称为扩散模型）应用于基于迁移学习生成高质量合成杂草图像的工作。综合实验结果表明，所开发的方法始终优于多个最先进的GAN模型，在常见杂草数据集CottonWeedID15上代表了样本保真度与多样性之间的最佳权衡并取得最高的FID分数。此外，扩充后的含合成杂草图像的数据集显然能提升四种深度学习（DL）模型在杂草分类任务上的性能。进一步，仅在CottonWeedID15数据集上以10%真实图像和90%合成杂草图像训练的DL模型取得了超过94%的测试准确率，显示出所生成杂草样本的高质量。本研究的代码已公开于 https://github.com/DongChen06/DMWeeds。
引用
@article{arxiv.2210.09509,
title = {Deep Data Augmentation for Weed Recognition Enhancement: A Diffusion Probabilistic Model and Transfer Learning Based Approach},
author = {Dong Chen and Xinda Qi and Yu Zheng and Yuzhen Lu and Zhaojian Li},
journal= {arXiv preprint arXiv:2210.09509},
year = {2022}
}
备注
15 pages, 9 figures