基于少量目标域样本的鲁棒植物病害诊断

已提出多种基于深度学习的系统，用于准确和便捷的植物病害诊断，取得了令人印象深刻的性能。然而，最近的研究表明，这些系统在不同于训练环境的条件下捕获的图像上往往无法维持诊断准确性——这是一个模型鲁棒性的关键标准。许多深度学习方法在植物病害诊断中表现出高准确率，但它们往往难以泛化到在不同于训练设置的条件下拍摄的图像。这种性能下降源于病症症状的细微变异以及领域差距——即图像上下文和环境的差异。根本原因是训练数据的多样性相对任务的复杂度有限，即使是先进的模型在未见的领域中也十分脆弱。为应对这一挑战，我们提出了一种简单且高度可适应的学习框架，称为目标感知度量学习与优先级抽样（TMPS），基于度量学习。TMPS 假设可以获得目标（部署）域中有限数量的标记样本，并有效地利用这些样本来提高诊断鲁棒性。我们在大规模自动化植物病害诊断任务上评估了 TMPS，数据集包含来自 23 个农场的 223,073 张叶片图像，覆盖 21 种病害和健康实例，跨越三个作物品种。通过将仅每个病害 10 个目标域样本纳入训练，TMPS 在使用相同组合的源域和目标域样本进行训练，以及在源数据上预训练后使用这些目标样本进行微调的模型中均取得优异性能。其平均宏 F1 分数分别提高了 7.3 和 3.6 分，相对于基线和常规度量学习方法，提升幅度分别为 18.7 和 17.1 分。