基于显著性图聚类的可靠性评分用于改进花椰菜图像收获成熟度预测
计算机视觉与模式识别
2023-08-09 v1 人工智能
机器学习
摘要
花椰菜是一种人工采收作物，在销售中必须满足高质量标准，使得采收时机的把握十分重要。然而，由于花椰菜花球被其冠层覆盖，准确判断收获成熟度可能具有挑战性。虽然深度学习能够实现自动化的收获成熟度估计，但由于田间变异性和有限的训练数据，错误仍可能发生。本文通过可解释机器学习分析了收获成熟度分类器的可靠性。通过识别显著性图的聚类，我们利用关于领域和图像属性的知识为每个分类结果推导出可靠性评分。对于未见过的数据，该可靠性可用于（i）告知农民以改进其决策，以及（ii）提高模型预测精度。使用来自 GrowliFlower 数据集的不同发育阶段单株花椰菜的 RGB 图像，我们研究了多种显著性图映射方法，发现它们产生不同质量的可靠性评分。使用最合适的解释工具，我们调整分类结果，在 GrowliFlower 数据集上使总体准确率提升 15.72% 达到 88.14%，平均类别准确率提升 15.44% 达到 88.52%。
引用
@article{arxiv.2305.15149,
title = {Reliability Scores from Saliency Map Clusters for Improved Image-based Harvest-Readiness Prediction in Cauliflower},
author = {Jana Kierdorf and Ribana Roscher},
journal= {arXiv preprint arXiv:2305.15149},
year = {2023}
}
备注
Preprint, 8 pages, 6 figures