基于难样本重挖掘策略的鲁棒植物病害诊断方法
计算机视觉与模式识别
2023-10-31 v2
摘要
借助丰富的标注信息，基于目标检测的植物病害自动诊断系统（如基于 YOLO 的系统）通常比基于分类的系统（如基于 EfficientNet 的系统）更具优势，例如可定位病害位置且分类性能更优。这类检测系统的一个缺陷在于处理无真实症状、未标注的健康数据。实践中，健康植株数据常与许多病害数据极为相似，因此这些模型常对健康图像产生误检框。此外，为检测模型标注新数据通常耗时费力。难样本挖掘（HSM）是一种常用技术，利用误检框作为新训练样本对模型再训练。然而，盲目选取任意数量的难样本再训练会因病害与健康数据高度相似而导致其他病害的诊断性能下降。本文提出一种简单而有效的训练策略——难样本重挖掘（HSReM），旨在通过策略性选取适当规模的难样本训练图像，在提升健康数据诊断性能的同时改善病害数据性能。基于两个实际田间八类黄瓜与十类番茄数据集（42.7K 与 35.6K 图像）的实验表明，HSReM 训练策略在大规模未见数据上的整体诊断性能有显著提升。具体而言，采用 HSReM 策略训练的目标检测模型不仅优于基于分类的 SOTA EfficientNetV2-Large 模型与原始目标检测模型，且在多项评价指标上超越了使用 HSM 策略的模型。
引用
@article{arxiv.2309.01903,
title = {Towards Robust Plant Disease Diagnosis with Hard-sample Re-mining Strategy},
author = {Quan Huu Cap and Atsushi Fukuda and Satoshi Kagiwada and Hiroyuki Uga and Nobusuke Iwasaki and Hitoshi Iyatomi},
journal= {arXiv preprint arXiv:2309.01903},
year = {2023}
}