面向农业应用的多域少样本学习及其数据集
计算机视觉与模式识别
2021-09-22 v1
摘要
害虫与植物（健康与患病）的自动分类对提高农业产量至关重要。基于卷积神经网络的常规深度学习模型每个类别需要数千个标注样本。在这项工作中，我们提出一种从少量样本学习以自动分类不同害虫、植物及其病害的方法，使用少样本学习（Few-Shot Learning, FSL）。我们学习一个特征提取器以生成嵌入，然后使用Transformers更新嵌入。利用马氏距离这一基于类协方差的度量，我们计算变换后嵌入与待分类图像嵌入的相似度。使用我们提出的架构，我们在多个数据集上进行了大量实验，展示了所提模型的有效性。我们总共进行了42个实验以全面分析模型，在两个数据集的少样本图像分类基准上分别实现了高达14%和24%的性能提升。我们还编译了一个包含真实环境中拍摄的健康与患病植物图像的新型FSL数据集。利用我们提出的已被证明在农业中优于若干现有FSL架构的架构，我们在新提出的数据集上提供了强基线。
引用
@article{arxiv.2109.09952,
title = {Multi-Domain Few-Shot Learning and Dataset for Agricultural Applications},
author = {Sai Vidyaranya Nuthalapati and Anirudh Tunga},
journal= {arXiv preprint arXiv:2109.09952},
year = {2021}
}