用于害虫图像检测的高性能卷积神经网络集成方法
计算机视觉与模式识别
2021-08-31 v1
摘要
害虫侵扰是全球范围内作物受损和收入减少的主要原因。自动识别入侵昆虫将大大加快害虫的识别速度并加速其清除。在本文中，我们基于不同拓扑结构（ResNet50、GoogleNet、ShuffleNet、MobileNetv2 和 DenseNet201）生成 CNN 集成，这些拓扑通过从一组简单的数据增强方法中随机选取进行改变，或使用不同的 Adam 变体进行优化以用于害虫识别。提出了两种基于 DGrad 的用于深度网络优化的新 Adam 算法，其在学习率中引入了缩放因子。在 Deng (SMALL) 和大型 IP102 害虫数据集上训练了五类 CNN 的集合，这些集合在数据增强或 Adam 优化类型上有所不同。使用三个性能指标对集成进行比较和评估。性能最佳的集成结合了使用不同增强方法的 CNN 和本文提出的两种新 Adam 变体，在两个昆虫数据集上均达到了 SOTA：Deng 上 95.52%，IP102 上 73.46%，其在 Deng 上的得分可与人类专家分类相媲美。在医学图像分类数据集上进行的额外测试进一步验证了所提出的 Adam 优化变体的鲁棒性和效力。所有 MATLAB 源代码可在 https://github.com/LorisNanni/ 获取。
引用
@article{arxiv.2108.12539,
title = {High performing ensemble of convolutional neural networks for insect pest image detection},
author = {Loris Nanni and Alessandro Manfe and Gianluca Maguolo and Alessandra Lumini and Sheryl Brahnam},
journal= {arXiv preprint arXiv:2108.12539},
year = {2021}
}