基于孪生网络的番茄叶片病害识别轻量框架
计算机视觉与模式识别
2022-09-23 v1
摘要
从叶片图像中自动识别番茄病害对于通过及时采取控制措施避免作物损失至关重要。尽管近期基于深度学习的采用经典训练流程的番茄病害识别方法展现出有前景的识别结果，但它们需要大量标注数据且训练成本高昂。现有为番茄病害识别提出的传统深度学习模型也因参数量巨大而消耗大量内存与存储。虽然轻量网络在一定程度上克服了其中部分问题，但其性能仍较低且难以处理不平衡数据。本文提出一种新颖的基于孪生网络(Siamese network)的轻量框架，用于番茄叶片病害的自动识别。该框架在从 PlantVillage 数据集获得的番茄子集上取得了 96.97% 的最高准确率，在台湾番茄叶片病害数据集上取得了 95.48% 的准确率。实验结果进一步证实所提框架在不平衡与小数据下同样有效。集成于该框架的主干深度网络轻量，具有约 2.9629 百万可训练参数，远低于现有轻量深度网络。
引用
@article{arxiv.2209.11214,
title = {Siamese Network-based Lightweight Framework for Tomato Leaf Disease Recognition},
author = {Selvarajah Thuseethan and Palanisamy Vigneshwaran and Joseph Charles and Chathrie Wimalasooriya},
journal= {arXiv preprint arXiv:2209.11214},
year = {2022}
}
备注
10 pages