MCFFA-Net：用于苹果叶部病害分类的多上下文特征融合与注意力引导网络
计算机视觉与模式识别
2023-03-13 v1
摘要
众多病害在苹果生产相关产业中造成严重经济损失。苹果叶片病害的早期识别有助于阻止感染传播并提升产量。因此，研究不同苹果叶部病害的识别与分类至关重要。各类传统机器学习与深度学习方法已对此问题予以探讨和研究。然而，由于复杂背景、图像中病斑的变化以及同一叶片上多种病害的多种症状并存，对这些病害进行分类仍具挑战。本文提出一种名为 MCFFA-Net 的基于迁移学习的堆叠集成架构，其由三个预训练架构 MobileNetV2、DenseNet201 和 InceptionResNetV2 作为骨干网络组成。我们还提出一种新颖的多尺度空洞残差卷积模块，以从提取的特征中通过若干空洞感受野捕获多尺度上下文信息。通过挤压激励网络提供基于通道的注意力机制，使 MCFFA-Net 聚焦于多感受野中的相关信息。所提出的 MCFFA-Net 取得了 90.86% 的分类准确率。
引用
@article{arxiv.2211.14175,
title = {MCFFA-Net: Multi-Contextual Feature Fusion and Attention Guided Network for Apple Foliar Disease Classification},
author = {Md. Rayhan Ahmed and Adnan Ferdous Ashrafi and Raihan Uddin Ahmed and Tanveer Ahmed},
journal= {arXiv preprint arXiv:2211.14175},
year = {2023}
}
备注
7 pages, 6 figures, ICCIT 2022 submission, Conference