用于害虫分类的深广度学习辅助方法
计算机视觉与模式识别
2024-09-17 v1
摘要
准确的害虫识别在农业中发挥着关键作用。由于昆虫的复杂特征，这是一个具有挑战性的问题。在本文中，我们提出了 DeWi，一种用于害虫分类的新颖学习辅助方法。通过单阶段交替训练策略，DeWi 从两个视角同时改进了多个卷积神经网络：判别性（通过以监督训练方式优化三元组边界损失）和泛化能力（通过数据增强）。由此，DeWi 能够学习害虫具有判别性的深入特征（深），同时仍能很好地泛化到大量昆虫类别（广）。实验结果表明，DeWi 在两个害虫分类基准测试中取得了最佳性能（在 IP102 数据集上准确率为 76.44%，在 D0 数据集上准确率为 99.79%）。此外，我们进行了广泛的评估和消融研究，以彻底研究我们的 DeWi 并证明其优越性。我们的源代码可在 https://github.com/toannguyen1904/DeWi 获取。
引用
@article{arxiv.2409.10445,
title = {Deep-Wide Learning Assistance for Insect Pest Classification},
author = {Toan Nguyen and Huy Nguyen and Huy Ung and Hieu Ung and Binh Nguyen},
journal= {arXiv preprint arXiv:2409.10445},
year = {2024}
}