基于区域深度卷积神经网络的农田杂草检测
计算机视觉与模式识别
2019-06-06 v1 图像与视频处理
摘要
机器学习已成为处理日益复杂的图像检测问题的主要研究领域。在现有的最先进CNN模型中，本文基于实验结果提出了一种基于区域的、全卷积的网络，用于快速而准确的物体检测。在基于区域的网络中，ResNet被视为最近的CNN架构，在2015年ImageNet大规模视觉识别挑战赛（ILSVRC）中取得了最佳结果。深度残差网络（ResNets）与其等效的常规神经网络相比，可使训练过程更快并获得更高精度。受ResNet这些独特属性的启发，本文评估了微调ResNet用于我们的杂草数据集物体分类的性能。农田杂草检测的数据集不足以训练此类深度CNN模型。为克服这一缺陷，我们采用dropout技术结合深度残差网络以减少过拟合问题，并应用数据增强与所提出的ResNet相结合，从而从我们的杂草数据集取得显著优于其他的结果。我们利用与所提出的ResNet-101相连的基于区域的全卷积网络（R-FCN）技术取得了更好的物体检测性能。
引用
@article{arxiv.1906.01885,
title = {Farm land weed detection with region-based deep convolutional neural networks},
author = {Mohammad Ibrahim Sarker and Hyongsuk Kim},
journal= {arXiv preprint arXiv:1906.01885},
year = {2019}
}
备注
7 Pages, Published in ICROS 2017 32nd Control Robot System Society Conference