基于多种深度学习架构的土耳其本土橄榄品种图像分类：性能、复杂度与泛化性分析
计算机视觉与模式识别
2026-02-24 v1
摘要
本研究比较了多种深度学习架构用于自动、基于图像的分类土耳其本土培育的黑色桌橄榄品种：Gemlik、Ayvalik、Uslu、Erkence 和 Celebi。使用 2500 张图像的数据集，我们训练了十个架构——MobileNetV2、EfficientNetB0、EfficientNetV2-S、ResNet50、ResNet101、DenseNet121、InceptionV3、ConvNeXt-Tiny、ViT-B16 和 Swin-T，采用迁移学习。通过准确率、精确率、召回率、F1 分数、 Matthews 相关系数（MCC）、Cohen's Kappa、ROC-AUC、参数数量、FLOPs、推理时间和泛化间隙等指标评估模型性能。EfficientNetV2-S 实现了最高的分类准确率（95.8%），而 EfficientNetB0 在准确率和计算复杂度之间提供了最佳权衡。总体而言，结果表明，在数据有限的情况下，参数效率比模型深度在起到更关键的作用。
引用
@article{arxiv.2602.18530,
title = {Image-Based Classification of Olive Varieties Native to Turkiye Using Multiple Deep Learning Architectures: Analysis of Performance, Complexity, and Generalization},
author = {Hatice Karatas and Irfan Atabas},
journal= {arXiv preprint arXiv:2602.18530},
year = {2026}
}