利用对抗网络进行无监督图像翻译以改善植物病害识别
计算机视觉与模式识别
2019-09-27 v1 机器学习
图像与视频处理
摘要
在植物病害识别等机器学习的特定任务应用中,由于需要专业人员的细致工作和时间限制,数据获取是一项代价高昂的工作。在本文中,我们提出了一个简单的流程,在无监督图像翻译环境中使用GAN来改善植物病害数据集中的数据分布学习,减少由严重类别不平衡引入的偏倚,从而将分类决策边界推向更好的性能。我们的方法的实证分析在一个有限的2789张番茄植物病害图像数据集上展示,该数据集高度 corrupted 且在9个病害类别中存在不平衡。首先,我们通过增强生成图像的感知质量并保留语义,扩展了基于GAN的图像到图像翻译方法的最先进水平。我们引入了AR-GAN,其中除了对抗损失外,我们的合成图像生成器在激活重建损失(ARL)函数上优化,该函数针对自然图像优化特征激活。与最显著的现有模型相比,我们呈现出视觉上更具说服力的合成图像,并在各种数据集和指标方面评估我们的GAN框架的性能。其次,我们评估了一个基线卷积神经网络分类器在使用所得合成样本扩充训练集以改进识别方面的性能,并将其与经典数据增强方案进行比较。我们观察到,在均衡类别分布环境中,使用生成的合成样本分类准确率显著提升(+5.2%),而使用经典增强仅提升(+0.8%)。
引用
@article{arxiv.1909.11915,
title = {Unsupervised Image Translation using Adversarial Networks for Improved Plant Disease Recognition},
author = {Haseeb Nazki and Sook Yoon and Alvaro Fuentes and Dong Sun Park},
journal= {arXiv preprint arXiv:1909.11915},
year = {2019}
}
备注
20 pages, 11 figures, 3 tables, article under review