LeafGAN：一种用于实用植物病害诊断的有效数据增强方法
计算机视觉与模式识别
2020-11-30 v2
摘要
基于深度学习技术的成功，许多植物病害自动诊断应用已被开发。然而，这些应用常出现过拟合问题，且在来自新环境的测试数据集上使用时诊断性能急剧下降。本文提出LeafGAN，一种具有自有注意力机制的新型图像到图像翻译系统。LeafGAN通过由健康图像变换生成多种病害图像，作为改善植物病害诊断性能的数据增强工具。得益于其自有注意力机制，我们的模型仅能变换来自多种背景图像的相关区域，从而丰富了训练图像的多样性。五类黄瓜病害分类实验表明，使用原始CycleGAN进行数据增强无助于提升泛化性，即病害诊断性能仅比基线提高0.7%。相比之下，LeafGAN将诊断性能提升了7.4%。我们还从视觉上确认，LeafGAN生成的图像质量远优于原始CycleGAN生成的图像且更具说服力。代码已公开于：https://github.com/IyatomiLab/LeafGAN。
引用
@article{arxiv.2002.10100,
title = {LeafGAN: An Effective Data Augmentation Method for Practical Plant Disease Diagnosis},
author = {Quan Huu Cap and Hiroyuki Uga and Satoshi Kagiwada and Hitoshi Iyatomi},
journal= {arXiv preprint arXiv:2002.10100},
year = {2020}
}
备注
Accepted as a regular paper in the IEEE Transactions on Automation Science and Engineering (T-ASE)